近年来,人们越来越关注腰部疼痛的问题,腰部疼痛会影响人们生活的各方各面,甚至阻碍人们的行动。但由于CT图像在获得的时距上比较小,因此腰椎小关节在通过CT仪器后会获得很多图象,人工阅片工作量大,给医生带来更多工作压力,从而造成误诊、漏诊等事故发生。同时,在国内边远地区,资深骨科医生较少,患者病情将很难及时被诊断与进行药物干预,从而导致病情恶化最终必须通过手术的方式进行治疗。因此很有必要提出相关的自动检测辅助诊断的方法,在不需要资深骨科医生情况下即可实现高效准确的检测诊断。此外,腰椎小关节CT图像在疾病诊断上起着至关重要的作用。因此本文主要针对腰椎小关节CT图像目标区域定位及截取算法研究和腰椎小关节CT图像的分类算法研究。本文首先详细介绍了腰椎小关节的结构特征和CT图像的成像原理,其次详细介绍了各相关算法的原理及特点,由于腰椎小关节位置隐蔽,相邻两节腰椎小关节的关节突位置存在重合,无法通过其他的成像方式清楚地查看到腰椎小关节骨关节是否异常,所以本文研究将腰椎小关节的CT图像作为研究对象,使用深度学习的目标检测算法和分类算法分别对腰椎小关节CT图像目标定位截取和分类辅助诊断。本文创新性地将深度学习技术应用在CT图像的小关节炎自动识别分类辅助诊断上,首先对经典目标检测相关算法进行了介绍,并进一步通过实验对比相关算法对本文所使用的腰椎小关节CT图像的实验情况,相关目标检测算法包括Faster RCNN算法和Yolo v4算法,本文对Yolo v4算法进行了改进,提升对本文所使用数据的定位精度,实现了在分类之前采用目标检测算法进行目标粗略定位的目的,有效的避免了正常组织和背景的干扰。其次对部分深度学习分类算法进行介绍,包括Inception v3算法、SE-NET算法和Resnet算法等,并SE-block融入到Resnet中,在本文中称呼其为S-Resnet,进一步将Inception v3算法加入到S-Resnet算法中来提高分类的准确率,在本文中将改进算法命名为Inception-S-Resnet-v3,并通过实验对比了算法融合前后的分类实验准确率情况,实验表明了改进算法Inception-S-Resnet-v3算法对腰椎小关节CT图像分类效果更优,也证明了算法改进的有效性和必要性,能够有效地在短时间内将腰椎小关节CT图像进行正确分类,为辅助医生诊断腰椎小关节疾病提供了方法。