骨质疏松症是由于一些外部原因引起的全身性骨病,严重时甚至可引发骨癌,采用骨密度测量方法测量人体的骨矿含量,可根据骨密度值来判断人体的骨质疏松程度,从而提前采取预防措施预防骨折的发生。随着信息技术的发展,计算机视觉结合临床医学诊断减轻了医务人员的负担,提高了工作效率。定量CT法（Quantitative Computed Tomography,QCT）就是结合图像分割方法来进行医学诊断的,采用专门的设备获取被测定区域的图像,进行图像分割,然后在分割结果中裁剪出感兴趣区域,之后进行骨密度的计算,根据这个计算结果来判断个体患骨质疏松的可能性。因此医学图像的分割就显得尤为重要,同时医学图像分割的精确度决定了QCT法能否广泛应用。U-Net是一种基于深度学习的图像分割方法,目前广泛应用于医学图像分割领域,但该模型会产生大量冗余,训练速度慢。医学图像数据量少、人工标注费时费力、分割精确度要求高,为了更好地适应医学图像分割的特点,本文在U-Net网络模型的基础上做出了一系列改进,并采用定量CT法对改进后模型的分割结果进行骨密度测量,主要改进工作如下:（1）为了减少图像的噪声问题,本文采用小波变换对手部图像做增强处理,减少细节噪声的同时,突出前景区域的成像效果。（2）改进后的网络模型包括初始分割模块和优化模块两个部分,初始分割模块在上采样过程中添加了最大池化和转置缩放卷积,保留主要特征信息的同时降低数据维度,降低计算的复杂度,使得计算速度得以提升;使用组归一化来代替批量归一化,减少批尺寸（batch size）较小时错误率较高对网络的准确性带来的影响。初始分割结果往往会丢失边缘细节信息且分割准确率较低,因此要进行优化处理,优化模块和初始分割模块的结构相似,同样包含编码-解码结构,对解码过程中的每一个输入也进行级联处理,融合上下文特征信息,同时使得细节信息更加完整。（3）本文采用混合损失函数来对模型做出优化,同时在图像块和像素两个级别上判断模型的分割效果。对本文的数据集进行人工标注并将其分为训练集、验证集、测试集三个数据集合,选取合适的评价指标,对比不同模型的实验结果,可以看出,本文提出的改进算法在分割准确率和精确率上相较于其他几个模型有明显的提升。