法医牙科学是法医学中一个重要的分支,其可以通过牙齿图像进行个体身份的鉴定（以下简称为牙齿识别）。在法医学领域,利用计算机技术辅助进行牙齿识别不仅具有很高的理论价值,还具有巨大的应用价值。然而,现有的传统数学方法仅适用于小型牙齿数据库,容易受到牙齿图像质量、牙齿形态变化等因素的影响。本文在前期工作中提出了基于可学习连接与注意力机制的牙齿识别网络LCANet,取得了较好的识别效果,但发现其仍存在不足,例如该方法仅从牙齿图像中获得用于识别匹配的牙齿视觉特征,计算得出的正样本对相似度分数较低。此外,现有牙齿数据集具有“少样本”特性（数据集中同一个个体具有的牙齿图像数量少）,且一些牙齿图像中的牙齿形态变化较大,给牙齿识别算法的研究带来了巨大的挑战。因此,本文以现有二维牙科全景X射线图像数据库和前期工作为基础,研究了基于卷积神经网络的牙齿分割算法,探索将牙齿分割结果应用于牙齿识别网络的可行性;之后深入研究了面向“少样本”牙齿图像数据集的牙齿识别算法,并进一步优化牙齿分割结果应用于牙齿识别网络的结合方式,提出了若干用于解决实际问题的理论和方法,主要内容如下:（1）提出了一种基于生成对抗网络与注意力机制的牙齿分割算法,并在该算法中地提出了一种结构简单的改进注意力机制,实现对特征图中全局上下文信息的建模。针对前期工作LCANet存在的不足,本文提出了基于生成对抗网络和注意力机制的牙齿分割算法,并将牙齿分割结果以多通道形式输入LCANet中,探索利用牙齿分割结果提高牙齿识别准确率的可行性。实验证明,本文所提出的牙齿分割算法在定量和定性上展现出了一定的优越性,其平均分割准确率为97.27%,Dice系数为91.69%,Jac系数为84.66%。同时,将牙齿分割结果应用于LCANet中在一定程度上提高了模型的牙齿识别准确率,使得Rank-1准确率提高了0.72%,Rank-10准确率提升了1.19%,充分证明了将牙齿分割结果应用于牙齿识别网络的可行性。（2）提出了一种基于掩膜和权重特征进行牙齿识别的双边网络模型,并提出了一种改进损失函数以调整网络训练过程中的损失不平衡,生成更加具有判别性的牙齿视觉特征。为了进一步优化牙齿分割结果与牙齿识别网络的应用结合方式,探索克服“少样本”任务挑战性的实用方法,本文提出了基于掩膜和权重特征的牙齿识别双边网络。实验证明,本文所提出的牙齿识别算法在定量和定性上展现出了比以往方法更加优越的性能,其在迄今为止最大的测试数据集上取得了最高的识别准确率,在1000个个体组成的2140张牙齿图像测试集中,该方法的Rank-1准确率为87.81%,Rank-10准确率为96.67%,误识率为万分之一时,其识别准确率为82.92%。