儿童和青少年的骨龄表明了他们的生长发育情况,骨龄评估在医学、体育、司法等领域有着广泛的应用。传统的骨龄评估临床方法是由医生通过肉眼观察左手整手X光片中多块特定骨头的骨成熟程度,其精确性很依赖医生的主观判断能力,并且评估较为费时。实现骨龄自动评估可以减轻骨龄专家的工作压力和提高骨龄评估的稳定性和可复现能力。传统自动骨龄评估利用图像处理、外观模型等方法提取特征进行识别,评估结果误差较大。目前已经有利用深度卷积神经网络来基于全手掌骨图像进行骨龄自动评估的方法,但是它们的精确度仅略高于传统方法。为提高自动骨龄识别的精度和实用性,本文利用深度学习技术,研究开发基于特征区域等级判定的CHN法智能骨龄评估系统。本文主要研究内容和成果如下:(1)为了客观地评估基于特征区域等级判定的方法给骨龄评估识别率所带来的提升,首先提出一种较好地利用深度学习技术的使用全手腕骨X光片的自动骨龄评估方法。该方法使用简单的图像处理方法去除图像背景噪声和切割出目标区域进行训练评估,不需要执行骨头等级标注、感兴趣区域定位等工作。此外,结合迁移学习方法提升网络性能,最终本方法取得了0.539岁的平均骨龄误差,其中误差在1.0岁以内的准确率达到86.77%。(2)基于CHN骨龄评分法,从每个全手掌骨X光片中分割出用于骨龄评估的14块特征区域骨头,然后设计出对应的卷积神经网络模型以用来进行特征区域骨成熟度等级评估。另外,考虑到骨头发育是个连续过程,不同于传统的骨成熟度等级硬判定,利用网络所输出的两个最可能等级的分类概率来计算骨头的加权得分。在不同网络模型的实验测试结果表明,该方法取得的最好结果平均骨龄误差为0.415岁,误差在1.0岁以内的准确率达到95.48%,显著优于基于全手腕骨图像的自动骨龄评估方法。(3)设计开发了基于特征区域等级判定的CHN法智能骨龄评估系统,该系统具有专家评估审核、自动骨龄评估和评价、信息记录管理等功能,是一个面向医院和骨龄专家的智能骨龄评估系统。本文设计了基于特征区域等级判定的CHN法智能骨龄评估方法和系统,提高了骨龄评估的精度,对推动自动骨龄评估系统的实际应用有着重要的意义。