膝关节作为人体的重要关节之一,与人体的活动息息相关,膝骨关节炎是膝关节的一种退行性疾病。现阶段我国对于膝骨关节炎的诊断多依赖于医生的经验,以及各种医学成像技术和医学影像软件的辅助,这样做一方面带有很多医生的主观性,另一方面观察测量过程比较耗时。而市面上没有一款软件可以辅助医生自动的诊断膝骨关节炎的严重程度,实现高效的、准确的、可量化的诊断。因此,本文使用骨关节炎倡议（OAI）数据库中的膝关节数据集,基于图像处理技术和深度学习技术,设计了一套膝骨关节炎X线片自动诊断的系统。本课题利用灰度投影法、基于腿宽的自适应膝关节左右边界定位法以及底帽变换法实现了膝关节兴趣区域的左、右、上、下边界的定位,最大限度消除背景信息的同时保留更多膝关节的关键信息。本课题在Canny边缘检测算法基础上,通过将梯度计算分解为水平竖直方向以及正负方向,并结合自适应双阈值、膨胀、边界选择、干扰清理、图像叠加等步骤设计了一套基于改进Canny算法的边缘检测算法,胫股间隙诊断准确率为91.80%。通过结合Sobel算子、轮廓提取、顶帽变换和腐蚀函数,实现了对骨赘的特征提取,准确率为90.90%。为了进一步提升边缘检测的准确率,在U-Net网络基础上设置padding为1,添加BN模块和利用双线性插值进行上采样,建立了基于改进U-Net网络的膝关节分割与诊断方法。在600张数据集下得到98.16%的平均类别像素准确率和96.71%的平均交并比。将胫股间隙、骨赘的准确率提升到94.77%、94.15%,并得到KL五级分类和KL四级分类的诊断率为90.26%和94.89%。成功的解决了骨边缘检测的困难,提高了膝关节分类诊断的准确率。为了解决图像处理方法和图像分割方法都无法解决的特殊关节间隙和骨赘的问题,本课题建立了基于Res Net的膝骨关节炎分类诊断的模型。在Res Net34网络下得到胫股间隙的准确率为96.53%,KL五级分类和KL四级分类的准确率为91.77%和95.53%。本方法解决了特殊关节间隙和骨赘的问题,准确率有了进一步的提升。因此基于Res Net的膝骨关节炎分类诊断方法可以辅助医生,作为膝骨关节炎的自动诊断的方法。