数字化口腔诊疗技术的发展，使得患者信息采集、治疗方案设计、治疗效果评估等诊疗环节更加全面、准确且安全。使用光学成像设备和锥形束计算机断层扫描成像(Cone beam CT，CBCT)设备可以快速获取患者的三维网格数据和CBCT图像数据。通过观察患者医学数据中的相关组织结构，医生可以实施更为有效和个性化的治疗。如何从患者的医学数据中抽取得到有助于临床诊疗的组织结构信息，是数字口腔技术应用发展的关键。本文针对数字口腔中的数字化正畸领域，开展了牙冠网格模型修复、面向CBCT图像的牙根抽取、面向多模态数据的牙齿重建和头影侧位片解剖特征点检测四个方面的研究，主要内容如下：
　　(1)基于轮廓线的牙冠模型修复。为了修复牙冠模型的侧面孔洞，本文提出了一种基于轮廓线的牙冠模型修复算法。该算法共分为三个步骤：模型主轴确定、轮廓线生成、孔洞表面重建和平滑。首先基于模型边缘线的中心点，通过线性回归算法，确定模型的主轴。然后，使用垂直于主轴的平面，等间距地获取牙冠模型的轮廓线，并利用基于法向量的三次B样条插值法对破损的轮廓线进行修复，得到修复后的侧面孔洞点云。最后，使用有约束的Delaunay三角化对修复的点云进行重建，并使用修正的拉普拉斯算子进行平滑。实验结果证明该算法不仅能自动地修复得到与原始模型形态相似且误差较低的牙冠模型，在临床应用中也能满足医生的需求。
　　(2)基于区域能量函数的CBCT图像牙根分割算法。针对先前研究中一直难以解决的牙根在邻接牙、牙周组织等模糊区域中边界不清晰的问题，本文提出了一种基于区域能量函数的牙根分割算法。首先，通过标记牙髓种子点，并且结合梯度模信息，在牙根区域中确定一条初始分割曲线。然后通过不同的灰度分布特征，限制曲线演化的区域和路径。在这基础上，构造基于图像灰度、梯度和边界平滑性的区域能量函数，通过最小化区域能量函数，演化初始分割曲线，得到最终的牙根分割曲线。通过曲线传递的方式，初始化下一层图像，然后使用同样的方式进行图像分割。最后，使用移动立方体算法重建得到完整的牙根模型。实验结果证明，本文算法能够快速且准确地从CBCT图像中抽取患者不同类型的牙根模型。
　　(3)面向多模态数据的自动化牙齿重建算法。面向激光扫描得到的牙冠模型和CBCT图像这两种模态的数据，本文提出了一种自动化牙齿模型重建算法。首先，通过改进的迭代最近点算法，将两种模态数据的牙冠部分进行配准，并且将牙冠网格模型在CBCT图像上的最大截面的凸包作为初始分割曲线。在初始化完成后，本文提出了一种基于形状先验的水平集方法，逐层地对CBCT图像进行牙齿的分割。在分割完成后，重建得到初步的牙齿模型。由于上下颌咬合等问题，初步的牙齿模型的牙冠部分有较大误差，本文将模型中不准确的牙冠部分剔除后，将激光扫描的牙冠模型与牙齿的牙根部分缝合，最终得到准确的完整牙齿。在多个临床数据上进行实验，结果证明本文算法能够自动且准确地获取患者的完整牙齿模型，并在临床应用中满足医生的需要。
　　(4)基于多通道注意力卷积神经网络的头影侧位片解剖特征点检测和分析。针对二维X线头影侧位片上的解剖特征点自动化标记问题，本文提出了一个基于多通道注意力机制的卷积神经网络模型。该模型以解剖特征点生成的高斯核热力图为基础，由两个不同的模块组成，多通道模块和注意力模块。在多通道模块，使用两个不同深度的子网络来学习输入数据的不同方面的特征，并使用中继监督的方式来加快收敛速度。在注意力模块，基于上一模块的特征，使用注意力机制对其进行修正并得到最终的检测结果。为了解决热力图预测时前景和背景像素不平衡的问题，本文提出了区域增强损失函数，用于强化预测结果中前景有效区域的权重。在基准数据集上的实验结果表明，本文提出的头影侧位片解剖特征点检测模型取得了当下较好的检测结果，在2.0mm误差范围内检测准确率为87.61%。在患者的解剖类型分类和包含75个解剖特征点的临床数据集实验中，本文提出的检测模型也是有效且鲁棒的。