单光子发射计算机断层扫描（Single Photon Emission Computed Tomography,SPECT）借助单光子核素标记物实现全身骨骼形态和代谢的显像,通过发现病变部位的异常放射性浓聚或稀疏缺损实现疾病的无创检测,目前已成为诊断恶性肿瘤骨转移的首选方法。受限于成像技术和成像设备,SPECT骨扫描图像往往具有分辨率低,病灶区域边界模糊等缺点,使得医师诊断工作耗时、效率低并且伴随主观错误。进而,骨扫描图像中病灶区域的精准分割显得尤为重要。随着深度学习在计算机视觉领域的广泛应用,特别是,卷积神经网络在不需要人工参与的情况下,以多层感受野的形式实现图像上下文信息的提取,为医学图像自动分割开辟了新途径。本文基于深度学习方法、影像组学方法研究了骨转移病灶的分割及其组学特征提取,主要开展了如下两方面的研究工作。（1）骨转移病灶的深度分割。深度分割即采用深度学习方法实现病灶区域分割。本文构建由特征提取和像素分类组成的端到端分割网络,在特征提取阶段提出多尺度融合的深度监督思想;在特征分类阶段,使用传统的支持向量机对提取的特征进行分类,结果显示DSC、Recall、CPA分别为0.6556、0.6257、0.6885。接着,提出由图像分割网络和图像重建网络组成的双路径网络,旨在将分割结果呈现到重建后的图像上,以辅助医生进行清晰的临床决策。其中,在分割网络中,提出Attention R-UNet结构,并构建消除正负样本不均衡和提高难分样本分类的复合损失函数,结果显示DSC、Recall、CPA分别为0.6610、0.6381、0.6857。与经典模型相比,所提模型结果均是最优的。（2）骨转移病灶的组学特征提取与分类。以分割的病灶区域为研究对象,通过从病灶区域提取大量组学特征来描述肿瘤生物学特征和异质性等信息,从而实现腺癌和小细胞癌的分类。首先,从全身SPECT图像中获取病灶区域构建组学数据集。其次,用影像组学算法提取出93维包含强度和纹理的组学特征,用不同的特征筛选方法将无关以及冗余的特征参数删除,保留分类目标强相关特征。最后,提出基于遗传算法（Genetic Algorithm,GA）的支持向量机（Support Vector Machines,SVM）参数选取方法,建立GA-SVM分类器对筛选的特征进行分类。实验结果显示Acc、Prec、Rec、F-1分别为0.7338、0.7339、0.7339、0.7339,相比于其他分类器,其结果是最优的。