X线胸片作为一项肺部疾病的早期诊断工具,具有价格可负担、相较于其他成像工具辐射剂量更低、并且易于获得和操作的优势。在计算机辅助诊断中,胸片的肺野分割与骨抑制研究是关键性的步骤。本文的主要工作内容如下:（1）视图识别辅助的多任务全卷积网络,用于同时实现正、侧位两种视图胸片的肺野分割任务。DICOM格式存储的胸片数据中可能存在视图标签有误的情况。本文在FCN结构基础上增加了正、侧位胸片视图识别的辅助支路,对于两种不同视图的胸片使用单个模型即可完成胸片视图分类与肺野分割的任务。通过收集七个不同来源的正、侧位胸片,形成一个总数超过1500张胸片的数据集,用于训练得到泛化性能良好的模型。使用模型分割从未用于训练的胸片（如儿童胸片、新冠肺炎胸片等）的肺野,可取得满意的结果。在公开数据集Japanese Societyof Radiological Technology（JSRT）中正位胸片的肺野分割,模型的 Dice相似系数、Jaccard系数、平均边界距离分别是0.979±0.008、0.959±0.016和1.023±0.487mm。在侧位胸片的肺野分割,模型的Dice相似系数、Jaccard系数、平均边界距离分别为0.973±0.010、0.947±0.018和1.923±0.755mm。实验结果表明,我们的方法在正位胸片肺野分割方面优于当前已有的大部分算法,且能解决侧位胸片肺野分割问题。（2）基于FC-DenseNet的儿童胸片肋骨边界自动检测。将FC-DenseNet从分割任务扩展至边界检测任务,然而由于边界检测目标区域非常小,直接将其视为分割任务进行训练难度大。我们将分割任务转化为回归任务,从直接预测目标或背景为0/1转化成预测像素为目标区域的概率。将人工勾画的肋骨边界二值图像通过距离变换转换为概率图,并解决手工勾画肋骨边界不一致的问题。在随机选取的8例测试胸片中,前肋边界自动检测的平均边界距离、召回率、查准率和F1 分数分别为 1.91±0.62mm、0.73±0.03、0.68±0.10 和 0.70±0.05。后肋边界自动检测的平均边界距离、召回率、查准率和F1分数则分别为1.10±0.36mm,0.77±0.05,0.73±0.05和0.75 ± 0.03。自动检测的肋骨边界可作为中间结果用于胸片骨抑制处理。（3）基于主成分分析的儿童胸片骨抑制。由于儿童胸片没有对应的双能减影软组织像和骨像,不能直接通过有监督方法学习骨抑制模型。我们提出了利用骨骼边界自动检测模型检测的肋骨边界和手工勾画的锁骨边界作为中间结果,提取包含骨骼边界的图像块;在梯度域使用主成分分析分离出骨骼成分,再通过映射、空间插值、迭代重建出整幅胸片对应的骨像。从原始胸片中减去重建的骨像即可得到软组织像。实验结果表明,我们提出的方法可得到骨骼影像抑制效果良好的软组织像。