目前,正畸治疗在人们生活中的需求量越来越大。头影指标测量是正畸治疗过程中的关键步骤,通过头影指标测量可以了解患者当前的面部形态。传统的测量方法是通过专家医生进行手动标注头影标志点进行的,需要医生与相关技术人员投入大量的时间和精力。本文利用深度卷积神经网络方法进行头影标志点检测,并提出了一个自动化检测头影标志点、识别牙冠、制定治疗计划的系统。具体工作如下:（1）研究了头部骨骼X-ray射线图像标志点的检测与指标测量,提出了一种基于鲸鱼优化算法优化改进的Faster R-CNN的头部骨骼X-ray射线图测量分析模型,对头部骨骼X-ray射线图像的标志点进行测量分析,自动生成患者的关键测量点数值。首先,提出了利用点扩展为面的模式解决头影标志点坐标包含的信息较少的这一问题,并通过采集标志点周围特征的方式辅助检测。然后,搭建头影标志点检测的Faster R-CNN检测模型。最后,在Faster R-CNN框架模型中,利用改进的鲸鱼优化算法建立学习率参数和损失函数参数的优化模型,搜索最佳的效果参数设定。（2）选择ISBI挑战赛数据及某整形医院患者数据作为训练和测试数据,图片数据采用原始图像、调高对比度、调低对比度三种模式通道网络输入,输入通道由3个通道变为9个通道,从而能够明显区分正畸过程中头影指标测量的不同类型标志点特征。选择误差距离内的检测成功率来评价算法,误差距离设定位为1mm内、2mm内、3mm内、4mm内四个级别。经过实验测试表明,改进的Faster R-CNN相比原生的Faster R-CNN的效果更好。同时,提出了在目标框内使用鲸鱼优化算法进行搜索最佳坐标点,提升了1mm内的检测成功率,使得标志点位置更加精准。最终的检测结果与现有的头影标志点检测模型进行对比,改进的算法具有较好的效果。（3）对头影标志点检测算法进行应用,将算法应用到智能牙齿正畸系统中。在头影测量子系统中,医护人员导入头影正位片或者头影侧位片后,通过操作自动AI定点,系统会自动显示标志点。同时,按照定义给出对应的美学测量指标,自动生成美学测量指标报告、对应的治疗方案。医生对自动生成的标志点、报告和方案都可以进行修改和调节。论文从需求分析、整体架构设计、数据库设计、时序图、类图、实现效果等方面详细介绍智能牙齿正畸系统设计与实现过程。此外,智能牙齿正畸系统产生的头影数据结果,可以用于检测模型的持续训练。