下颌智齿拔除是口腔颌面外科临床中最为常见的手术之一。为避免下牙槽神经管损伤等并发症,需要在术前对下牙槽神经管损伤风险进行评估。该术前风险评估分为三个部分,第一,对患者X射线头影测量图像中的解剖特征点进行定位,通过特征点位置评估患者是否存在颅颌面异常;第二,从曲面断层图像判断患者颌面中下颌阻生智齿与下牙槽神经管是否接触,即判断两者空间关系;第三,根据曲面断层图像获得患者下颌阻生智齿牙根数目。这三个步骤中的定位精度以及判断的准确率直接影响着风险评估的正确性。目前,实际口腔临床中这三个步骤均主要采用人工操作的方式。但受到观察者经验、精力等主观因素的影响,即使是具有丰富临床经验的医生进行人工评估也较耗时。因此,发展自动的手术并发下牙槽神经损伤风险评估关键技术具有重要的理论研究价值和临床意义。针对X射线头影测量图像中解剖特征点自动定位问题,本文提出了一种基于相对位置约束的多尺度二维X线头影测量图像解剖特征点自动定位算法。该算法以UNet2+网络为框架构建深度模型用于自动定位解剖特征点,该算法模型采用多尺度模块以及跳跃连接构成,同时利用深度监督的方式对网络权重进行优化。在训练阶段中,采用均方方差损失（Mean Squared Error Loss,MSELoss）和位置约束损失（Position Constraint Loss,PCLoss）的联合损失对解剖特征点的绝对位置以及特征点之间的相对位置组成的拓扑结构进行优化。测试阶段通过对热力图的解码以及线性变换映射获得最终的预测特征点。实验结果表明,该方法能有效地学习各个解剖特征点的拓扑空间关系以及绝对位置分布,从而能够以较高的精度预测出解剖特征点坐标。对于在曲面断层图像上确定下颌阻生智齿与下牙槽神经管的空间关系,本文随之提出了基于多分辨率目标检测网络的下牙槽神经损伤风险评估算法。该算法建立在YOLOv5框架的基础之上,该算法模型由基本骨架端,检测端与输出端构成,输入图像经过骨架端提取图像特征后送入检测端中,检测端通过金字塔结构将特征图分为多个不同的尺度用于在输出端中检测不同大小的目标。算法的整体流程为数据处理阶段、训练阶段与测试阶段。在数据处理阶段中,对曲面断层图像进行数据增强,同时利用在锥状射束计算机断层（Cone-Beam Computed Tomography,CBCT）图像上确定的空间关系作为金标准。在训练阶段中,将检测框位置损失、置信度损失以及分类损失作为联合损失对模型进行优化,同时采用超参数搜索的方式选择对模型训练最优的一组超参数。在测试阶段,采用测试数据增强（Test Time Augmentation,TTA）提高最终的预测准确率。实验结果表明,该方法通过综合多尺度目标,能有效地解析曲面断层图像下颌阻生智齿与下牙槽神经管的解剖信息,从而能以较高的精度预测两者空间关系。为了从曲面断层图像中确定下颌阻生智齿智齿牙根数目,本文在上述工作基础上提出了基于多分辨率目标检测网络的下颌阻生智齿牙根数目自动判断算法。该算法以CBCT图像牙根数目作为标注的金标准,采用超参数搜索的方式优化参数,训练多分辨率目标检测网络模型建立图像特征与下颌阻生智齿牙根数目之间的非线性关系,利用该关系从新获得的曲面断层图像中自动预测下颌阻生智齿牙根数目,亦应用TTA算法增强最终的预测准确率。实验结果表明,该方法通过综合多尺度目标,能有效地解析曲面断层图像下颌阻生智齿的解剖信息,从而能以较高的精度预测智齿的牙根数目。