青少年特发性脊柱侧弯（简称AIS）是临床上常见的脊柱畸形疾病,其发病原因不明,无法针对病因进行针对性治疗,所以尽早发现并进行干预尤为重要。脊柱侧弯Cobb角度是衡量脊柱侧弯病情的重要参考依据,目前Cobb角测量工作需要脊柱外科专业医生手动进行,测量过程缓慢且容易产生误差。因此开发一种能够快速对脊柱X光图像进行全自动测量Cobb角度的算法具有很高的实用意义。Cobb角是指脊柱侧弯的角度,是脊柱侧弯严重程度的参考标准之一。目前临床中测量Cobb角是由专业医生根据经验在脊柱X光片上画出两条参考线,然后使用量角器测量角度,效率低下且容易产生误差,不同医生的诊断经验不一样,测量相同图像可能会产生相差较大的结果。为了解决上述问题,本文提出了一种基于U-Net模型的脊柱侧弯Cobb角全自动测量方法,基于深度学习模型对脊柱X光图像进行分割,对分割结果进行轮廓识别和边界确定后计算出脊柱侧弯的最大Cobb角度。论文的主要研究内容如下:（1）基于深度学习模型对脊柱X图像进行分割。收集站立位脊柱正位X光片,对数据进行筛选、预处理和数据增强等操作,制作模型训练标签。基于U-Net模型结构搭建卷积神经网络模型,对模型进行改进,提高分割准确度及算法速度,对网络进行训练,保存模型参数。（2）对分割结果进行轮廓识别,基于轮廓实现全自动Cobb角计算。对分割完成的二值化图像进行拓扑分析,确定边界的围绕关系,计算出各椎骨的轮廓信息,根据轮廓计算最小外接矩形,由矩形的四个角点确定椎骨的上下边界,最后根据上下边界计算最大Cobb角度。（3）整合全部算法流程,完成可视化软件操作界面。编写可以方便快捷使用的软件界面,使没有编程经验的用户可以迅速地进行Cobb角度测量,软件能够清晰地显示测量结果,具备测量结果保存等功能。