随着人工智能技术以及医疗水平的飞速发展,“面向人民生命健康”成为科技事业发展的新方向。冠状动脉作为人体的重要组成部分,一旦发生狭窄将会引发心肌缺血等众多危害人类生命健康的病症。临床上通常采用有创介入检查来诊断冠脉狭窄的具体程度,但这一手术过程不仅对人体存在一定的创伤和未知风险,且因操作要求高等尚未在全世界范围内普及。因此,通过人工智能驱动的方法建立无创病变诊断模型的方式成为当今医学领域的迫切需求。本课题针对冠脉狭窄病变的无创评估问题,从功能学以及解剖学的角度同时入手,提出相应的无创解决方案。本文所做的工作总结如下:（1）针对冠脉狭窄功能学角度评估的问题,根据患者真实CT血管造影（CT Angiography,CTA）影像序列信息,由二维图片体外模拟出患者的特异性三维冠脉模型,添加人体真实血液参数,设置边界以及约束条件,仿真人体真实血运环境,采用有限元的思想对三维模型网格单元进行离散迭代求解。根据处理结果计算功能评价指标血流储备分数（Fractional Flow Reserve,FFR）,并对血流动力学相关参数进行了求解分析,探究各参数之间的相关性以及与疾病发展的关联程度。通过与患者真实术中测得的FFR指标进行对比分析,验证了本模型数值计算结果的可靠性。（2）针对冠脉狭窄解剖学角度评估的问题,建立患者真实冠脉CTA图像数据集,并与冠脉造影“金指标”数值进行标签对应,基于冠状动脉疾病报告与数据系统（Coronary Artery Disease-Reporting and Data System,CAD-RADS）的诊断标准,进行冠脉狭窄致病程度的无创量化评估:首先,采用联合分割方法从医学影像中提取出冠状动脉;其次,采用残差网络（Residual Network,ResNet）自学习CTA图像集特征,并最终构建机器学习模型对狭窄样本进行分类,以此辅助诊断狭窄致病程度,即由CTA图像准确的确定冠脉病变的“金指标”,筛选出狭窄严重的患者信息,实现从解剖学意义上对冠脉狭窄病变的无创评估。最后,经过实验分析验证了本方法在冠脉数据集上的适用性。（3）针对单一分类器对冠脉狭窄样本识别能力提升有限的问题,为了进一步提高冠脉狭窄诊断的准确性,利用多样本择优思想,从多个分类器中选出“优而存异”的基分类器,建立5折Stacking冠脉狭窄融合分类模型。所提模型将多个基分类器的诊断结果作为融合模块的输入,配合交叉验证避免随机性,以上层结果作为特征进行再学习过程并输出综合决策结果。通过与基分类器、Voting融合模型在冠脉样本数据集上进行对比分析,验证了本文所提方法的分类准确率更高,且提升效果优于传统Voting融合算法,在集成了多个模型的基础上仍然具有良好的稳健性,证明所提方法对临床辅助诊断具有重要的研究和指导意义。