目的:随着交通事故、运动损伤以及暴力事件的频发,因外伤导致的眼眶爆裂性骨折（Orbital blowout fractures,OBFs）的发病率逐年增加。眼眶计算机断层扫描（Computed Tomography,CT）是临床上诊断OBFs的重要辅助检查手段,而利用人工智能（Artificial Intelligence,AI）对CT影像进行自动诊断与骨折区域分割是实现智慧医疗与精准手术修复的新方向。本研究基于眼眶CT影像,对两个现有的深度学习网络（即DenseNet-169和UNet）进行加工,构建人工智能模型,以实现对OBFs的识别、骨折眼别分类和骨折区域分割。方法:本研究收集2021年1月至2021年12月于吉林大学白求恩第二医院,因眼眶外伤就诊患者的眼眶CT影像,并建立眼眶CT影像数据库,共1997张骨折CT切片和1019张非骨折CT纳入研究。在对CT影像进行诊断和标注骨折区域后,输入DenseNet-169和UNet进行算法训练。我们利用灵敏度、特异度、准确度等指标评估算法的分类效能,并通过绘制受试者工作曲线（ROC）,计算ROC曲线下面积（AUC）评估算法泛化性。在分割实验中,我们使用Dice分数和交并比（IoU）评估算法分割图像效能,并通过遮挡实验比较AI与人工分割图像的差异。结果:我们建立的人工智能模型可以实现对OBFs的识别、分类骨折眼别,并对骨折区域进行分割。训练后DenseNet-169的AUC为0.9920±0.0021,准确度、灵敏度和特异性分别为 0.9693±0.0028,0.9717±0.0143,和 0.9596±0.0330。DenseNet-169 分类骨折眼别的准确度、灵敏度、特异性和 AUC 分别为 0.9859±0.0059,0.9743±0.0101,0.9980±0.0041 和 0.9923±0.0008。UNet 对于骨折区域分割的 IoU和Dice分数分别为0.8180±0.0093和0.8849±0.00969,AI的分割结果接近人工分割结果。结论:经过训练的AI模型可以实现对眼眶爆裂性骨折CT影像的识别,并能够区分骨折眼别,并对骨折区域进行有效分割。我们建立的人工智能模型将有助于眼眶爆裂性骨折的智能诊断,提高3D打印辅助手术修复的效率。