肌内脂肪（Intramuscular fat,IMF）是一种肉质属性,定义为可食用肌肉中分散的脂肪颗粒的总数量,代表了肉的脂肪水平,广泛认为这一特性对猪肉的烹饪质量（即风味、多汁性）、消费者满意度以及消费相关健康问题有很大影响。过去常通过化学以及光谱等方法来测定IMF含量,但这些方法需屠宰后采样,为了在育种中选择肉的质量特征,开发体内方法是非常重要的。CT是无创断层图像,密度分辨率高,可将细小的点都看清,而且与普通X射线相比,CT可进行三维重建,如矢状面和冠状面重建,可把整个生物体包括解剖结构、骨头都显示清楚。近年来,深度学习飞速发展。深度学习是一类具有深度卷积神经网络结构的表示学习。深层结构允许网络通过将较低层次的影像特征分层地组合成较高层次的深度自学习高通量特征来学习复杂的模式,网络可以确定哪些特征是问题的决定性特征。深度学习与CT技术结合的活体预测IMF含量为生猪IMF性状的选育提供了新的手段。主要研究如下:（1）本文提出了一种基于深度学习的CT床分割模型。CT床是CT设备中重要组成部分,总是包含在CT图像中,但后续处理操作不可避免受到CT床的影响,包括肋骨定位部分,因CT床的CT值与骨骼CT值相近也会产生影响,所以使用深度学习方法来快速精准分割CT床。构建一个基于U-Net网络来进行分割训练,在测试集上进行测试,实验结果说明网络分割精度较高,但所需时间较长,后对网络进行改进以及优化训练策略来达到快速和精准地去除CT床。（2）本文提出一种基于CT图像的肋骨定位与追踪算法。首先对CT图像阈值分割,并采用形态滤波去噪和种子填充空洞,再结合三维重建、矢状面显示等方法快速定位肋骨,并精准显示出了肋骨轮廓和排列情况,同时利用像素分布情况、矢状面冠状面相结合方法追踪第一个肋骨位置,为后续定位肋骨下眼肌部位奠定了基础。（3）本文提出一种基于深度神经网络的框架来预测生猪不同肋骨眼肌部位IMF含量的方法,框架分为两大部分,一部分使用改进后的U-Net网络来提取CT切片里包含的深度自学习高通量特征,另一部分是神经网络回归模型,将深度自学习高通量特征与作为标签的化学法计算的IMF值作为输入,从而实现对IMF的有效预测。该网络在中高IMF图像上表现最好,获得~2=0.95,RMSE=0.012的结果;在低IMF图像上表现较次,获得了~2=0.80,RMSE=0.23的结果。实验说明预测IMF值与真实IMF值具有强相关性,证明了利用CT和深度学习结合方法估计生猪体内IMF的可行性。