骨质疏松是一种以骨量降低、骨组织微结构恶化,导致脆性骨折风险增加为特征的骨骼疾病,常发生于绝经后的女性和老年男性。基于双能X线吸收检测法（Dual Energy X-ray Absorptiometry,DXA）的骨密度测量是骨质疏松诊断的“金标准”。但由于公众认识不足,以及基层医疗卫生机构的防治能力有限,导致DXA检测率仍处于较低水平,这严重影响了骨质疏松患者的诊断和治疗。此外,现有的研究大多基于单一来源的数据实现对骨质疏松患者的筛查,缺少对影像数据与临床结构化数据融合的考量,为此,本文使用机器学习方法,通过融合人口统计特征、常规实验室检查指标,以及CT影像三种模态的数据构建模型,实现对年龄在50岁及以上人群中骨质疏松患者的机会性筛查,主要工作内容包括:首先,本文分别分析了人口统计特征和常规实验室检查指标两种临床结构化数据用于骨质疏松筛查的有效性。本文使用逻辑斯蒂回归、支持向量机、多层感知机、随机森林和轻量级梯度提升机五种机器学习分类方法,分别基于上述两种模态数据构建模型,并使用SHapley Additive exPlanations方法对构建的模型进行解释。结果表明,两种模态的数据均有助于实现对骨质疏松患者的筛查,其受试者工作特征曲线（Receiver Operating Characteristic,ROC）下的面积（Area Under Curve of ROC,AUC）分别在 0.746和0.686以上,且基于人口统计特征构建的模型优于亚洲人骨质疏松自我筛查工具（AUC=0.719）。在纳入的各项指标中,年龄和体重是最重要的人口统计特征,碱性磷酸酶、高密度脂蛋白胆固醇和谷丙转氨酶是最重要的常规实验室检查指标。然后,本文又基于影像组学方法,分析腰椎CT影像在骨质疏松患者筛查方面的有效性。本文首先基于U-Net构建图像分割模型,用于分割腰椎L1-L4;然后,从分割后的图像中分别提取纹理和形状特征;最后,基于提取的图像特征构建模型。实验结果表明,构建的图像分割模型可以准确分割椎体,模型在测试集上的dice系数为0.974;在两种图像特征中,纹理特征具有更好的识别效果（AUC=0.965）,而形状特征的识别效果则较差（AUC=0.704）,且融合纹理和形状特征也难以提升模型性能,因此,本文仅考虑使用纹理特征构建模型。此外,图像灰度的均值和标准差是最重要的纹理特征,与骨密度正常对象相比,骨质疏松患者CT影像的整体灰度值更低。最后,基于上述研究工作,本文提出融合上述三种模态数据,构建骨质疏松分层筛查模型,并根据数据来源的广泛程度,将模型分为三层:第一层仅使用人口统计特征,第二层结合使用两种临床结构化数据,第三层则融合全部三种模态的数据。实验结果表明,使用学习法（一种决策级数据融合方法）融合多模态数据可以提升模型性能,构建的三层模型的AUC分别为0.852、0.868和0.980。此外,本文还基于构建的分层筛查模型开发了一个Web应用程序,便于模型的实际应用。本文融合多模态数据构建的分层模型有助于实现对年龄在50岁及以上的骨质疏松患者的机会性筛查,在缺乏DXA设备的基层医疗卫生机构中,该模型可以辅助医生实现对骨质疏松患者的及时筛查与识别,具有一定的应用价值。