近年来,随着计算机技术的发展和人工智能的兴盛,人们对于计算机视觉的研究也进一步深入,在工业、军事、交通等领域都取得了长足进展,其中以医学领域的技术革新最为引人注目。肋骨骨折作为一种常见骨科疾病,主要通过相关医疗设备对患者胸腔肋骨的医学图像进行采集,最后由医生根据影像进行诊断。在借助机器学习、深度学习方法后,医疗设备可以提取肋骨骨折图像的特征并在此基础上实现初步判断。作为现代医疗辅助技术的重要工具,人工智能在医学图像中的研究已得到了广泛的应用。为进一步提高肋骨骨折辅助诊断效率,除了需要改进医学图像采集技术,获得大量高分辨率的医学图像外,设计有效的深度学习算法来提高骨折检测的准确率也已成为目前亟待解决的问题。本文利用医学常用的计算机断层扫描图像,对肋骨骨折检测与分类展开研究,主要工作总结如下:首先,本文提出了一种基于SKNet（Selective KernelNetwork）的3D肋骨骨折检测算法。鉴于医学图像的三维特性,在获取医学图像并构建肋骨骨折数据集后,该方法首先在数据集中提取三维图像数据样本,较之于二维图像数据,保证了肋骨骨折空间结构的完整性。此后将样本输入基于SKNet的3D神经网络实现肋骨性质的确定,在SKNet自适应感受野的作用下可提取更多有效的特征。实验结果说明,所提出的算法有效地分离出肋骨区域,提升了分类的准确率,最终实现了 3D肋骨骨折自动检测。然后,本文提出了一种改进的3D残差收缩网络实现肋骨骨折的多分类。该方法可以针对肋骨图像数据中存在的噪声,借助注意力机制,实现了特征的软阈值化,从而达到了降噪的目的。除此之外,针对数据中出现的不平衡问题,引入了 Focal Loss损失函数,在进行模型训练的过程中动态缩放交叉熵,对于易于分类的样本给予更低的loss权重,而将较高的权重赋予难以训练的数据样本。实验结果表明,该方法提高了肋骨骨折多分类的准确率。最后,结合前两章中的检测与分类任务,设计并实现一个的肋骨骨折自动化检测系统。该系统将根据患者的胸腔计算机断层扫描图像,通过后台的数据处理与模型腿短,自动检测出肋骨骨折的位置和骨折类型,最后将诊断结果可视化后回馈给专业医师作为诊断建议。