严重骨性关节疾病会引起关节疼痛和运动功能损伤,对患者造成永久性伤害,其中膝关节炎是最常见的一种骨退行性关节疾病。膝关节置换术作为治疗膝关节炎最有效的治疗方法,已经呈现出从人工手术到机器人辅助导航手术的趋势。现有的机器人辅助膝关节置换导航手术在术前需要提取膝关节骨骼像素,以分别对股骨和胫骨进行三维重建;在重建的模型上标记膝关节医学特征点,用于术中配准,以实现手术导航。但是上述操作都基于人工标注的方式实现,手动分割一套膝关节CT图像需要40分钟以上,手动提取特征点依赖医生操作熟练度,正常需要3分钟以上,术前准备时间过长、智能化水平较低。为此,本文从CT图像处理的自动化方面,展开研究,以提升精度和效率。主要展开了如下方面的研究:首先针对膝关节CT图像数据量小、噪声大、分辨率高等特点,提出基于梯度惩罚的高分辨率生成对抗网络,通过使用随机噪声拟合真实图片的方法,增加有效数据量;通过深度卷积神经网络学习真实图片的深层特征,增加数据的多样性;在此基础上,将残差模块引入生成器和判别器中,在网络加深的同时避免梯度消失和梯度爆炸,从而解决生成高分辨率CT图像的问题,实验结果表明,网络生成的图片与真实图片数据分布上相似度足够高,且视觉效果上难以辨别真假。其次,在图像精确分割上,本文提出基于MaskRCNN的精细化膝关节骨骼分割网络,通过特征区域选择和图像分割两个阶段,对目标进行精细化分割,并与、常用的U-NET网络进行对比,结果表明:本研究提出的方法在同样数量的训练数据下,网络收敛速度比U-NET低30%,且收敛过程更稳定;MASKRCNN的股骨和胫骨分割准确率比U-NET高3%和4%,体现了该算法在小目标检测方面的优势。除此以外,将使用数据增强前后的图像分割效果进行对比,结果表明,使用数据增强后,MASKRCNN对小尺度目标的分割的准确率提升1%,U-NET准确率提升3%,验证了数据增强算法的有效性。最后,针对医学特征点辨识精度低、手动操作时间长的问题,设计了基于多层次点云网络（PointNet++）的医学特征点辨识算法,将分割网络应用到回归任务中,进行了有效性评估分析,并与PointNet和3D-UNET进行了对比分析,结果表明:本研究设计的网络模型辨识误差比PointNet低1mm,比3D-UNET低6mm;辨识误差的方差比3D-UNET低0.7mm,比PointNet低0.3mm,鲁棒性更强;辨识时间控制在2s以内,远远低于手动操作时间。除此以外,将图像分割和手动分割的数据分别进行特征点辨识,结果表明:使用图像分割和手动分割特征点辨识误差相近,但使用图像分割辨识误差方差比手动分割低0.1mm,验证了图像分割算法的可行性。实验结果表明,本文设计的用于膝关节置换导航手术的CT图像自动处理方法能够有效提高术前图像处理速度,减少人工成本,提高手术导航系统的智能化程度。