骨龄是骨骼发育进程的年龄描述,是人体组织结构和生理功能发育程度的重要标志。骨龄评估（Bone Age Assessment,BAA）是目前最常用的生物年龄评估方法,在临床医学、体育竞技和司法判案等领域有着重要作用。目前,最常用的骨龄评估方法仍为传统的人工判读方法,基于手部X光片图像,由医师对照图谱进行人工推断。人工方法存在主观性强、专业技能要求高、评估效率低等问题。而一些基于计算机辅助的评估方法,仍然需要人工选择和提取特征,再送入分类器进行预测,无法真正实现全自动,并且准确性受限。针对以上问题,本文探究了基于深度学习算法的骨龄预测方法。研究了手部X光片图像预处理、基于深度学习的骨龄预测模型的搭建以及模型的三种改进方法,主要内容如下:（1）针对手部X光片数据集存在的问题,对数据集进行图像预处理。使用对比度受限的自适应直方图均衡化方法处理图像,增强其局部对比度。提出了一种基于可变形卷积的U-Net网络,使得卷积模块拥有自适应的感受野,提高手部图像分割准确率。与原始U-Net进行图像分割比较,该方法分割效果更好。（2）研究了基于回归和分类这两种方式的骨龄预测模型。提出一种结合空间变换网络的模型改进方法,增强模型对几何变换目标的建模能力。同时,针对分类模型,提出了一种改进的损失函数,在交叉熵损失函数基础上添加了自定义的误差补充项,减小模型整体的预测误差。通过实验证明了这两种改进方法的有效性。（3）提出了一种加入注意力机制的骨龄预测模型改进方法。结合了空间变换网络与风格重校准模块,分别在空间域和通道域对重要目标进行注意力聚焦。同时研究了在网络不同位置加入风格重校准模块的效果。使用Grad-CAM可视化方法绘制热力图,证明了加入注意力机制对改善注意力分配的有效性。综上所述,本文研究了图像分割的改进方法和三种骨龄预测模型的改进方法,最终回归和分类模型的平均绝对误差分别降低到0.427年和0.423年,提高了骨龄预测准确率,对骨龄自动评估软件的实际设计与开发具有参考价值。