近年来,随着医疗器械的快速发展,通过医学影像来辅助医师判断患者伤病情况的方法已经普及,其中,医学图像中对于目标器官组织的分割有助于医师快速分析把握患者的病情。然而面对大量复杂的医学影像,医师仅凭丰富的临床经验去分析图像,速度和准确率都不能满足需求。因此,开发高效准确的医学图像分割方法在临床领域有着重要意义。随着深度学习在语音图像等领域的成功应用,该技术也被移植到医学图像分割领域,其分割效果和速度都要优于传统算法。本文调研了现有的各类深度神经网络模型,整合了现有技术,针对心脏MR图像(心脏核磁共振图像)提出了一种新型的网络模型DCFD-Net(Dense connection of fully dilated-convolution network)来进行右心室分割。近年来神经网络在图像分割领域的主流方法是下采样提取高维特征,上采样还原图像。这种方法会造成图像分割精确度下降,边缘细节分割不够好的不良结果。本文提出的DCFD-Net采用特征提取路径与图像合成路径融合的方法,使用全扩展卷积的方式摒弃了池化操作,弥补了现有神经网络分割方法的不足。但是从分割结果上看依然存在边缘分割粗糙,有部分分割奇点无法消除的缺陷。因此,本文对训练数据,目标函数,网络优化器等方面做了相应的改进。在网络的末段添加了有针对性的后处理方法对分割结果进行了改善。以著名的U-Net网络作为基线模型,本文将所提出的DCFD-Net与此进行了比较。相较于U-Net,DCFD-Net对于边缘细节的分割能力和小目标的分割能力均有增强,且在戴斯相似性系数和杰卡德相似性系数两个评价指标上均有所改进,证明了本文提出的DCFD-Net具有更良好的效果。本文使用kaggle右心室分割比赛的数据集,总共16位病人的总计243张带有医师分割右心室的MRI图像。DCFD-Net在测试集上取得了 89.97%的戴斯系数和82.72%的杰卡德系数,相较于人工复现的93%-95%的戴斯系数虽略有差距,但是分割速度远远快于人工复现,为神经网络的临床应用起到了推动作用。