预测人体骨骼的生物力学性能（例如刚度、强度）对于骨质疏松症的诊断、预防和早期治疗具有重要意义。目前,从双能X射线骨密度仪获得面骨密度测量法和从定量计算机断层扫描获得的体骨密度测量法（BMD）广泛应用于临床。然而上述方法并不包含骨骼的微观信息,仅仅通过骨骼密度的数据不能很好地预测骨骼的机械性能。本文通过结合卷积神经网络与有限元计算获取骨骼的力学性能,进一步利用卷积神经网络的计算能力,开发出一种设计骨支架的新方法,适用于临床治疗骨缺损。在骨骼力学性能预测方面,以人体脊柱松质骨部分作为研究样本,使用HR-p QCT扫描仪扫描了来自女性尸体的35个T11/T12/L1节段,获得的图像用于生成10896个2D骨骼样本,其中仅处理和研究松质骨部分。建立了10896个2D有限元模型,通过有限元计算得到骨骼样本的等效压缩模量作为真实值用以训练卷积神经网络。其中8000个骨骼样本用于训练卷积神经网络,2636个骨骼样本用于交叉验证,剩余的260个新骨骼样本用来测试卷积神经网络的预测能力。结果表明,卷积神经网络的预测值与有限元的计算值线性相关的系数（R~2）为0.95,远高于BMD与有限元的计算值的线性相关性系数（R~2=0.65）。此外,相对预测误差的第95个和第50个百分位数分别低于0.28和0.09。本部分的研究结果证明卷积神经网络可以有效地预测人体松质骨的有效压缩模量,是评估多孔骨力学质量的一种有前途且具有临床应用价值的方法,该方法可进一步应用于预测其它复杂非均质材料的等效力学性质。在骨支架设计方面,本文提出了一种利用卷积神经网络框架设计多孔骨支架的新方法,该支架具有与天然骨组织相似的各向异性力学性能,且设计变量和设计空间非常大。首先,通过骨骼样本的CT图像建立有限元模型,并计算出骨骼样本的弹性常数,用弹性常数来描述该骨骼样本的各向异性力学性能。然后,利用基于卷积神经网络方法设计骨支架,并将骨支架的弹性常数与骨骼样本的弹性常数进行线性相关性分析。通过该方法对12个不同的骨骼样本进行骨支架设计,成功设计出了符合要求（误差5%以内）的骨支架。最后,将通过卷积神经网络设计的骨支架与传统方法设计的骨支架进行比较,结果显示卷积神经网络设计方法设计域更广,所设计出的骨支架的弹性常数更接近骨骼样本。综上所述,本文提出了一种基于机器学习的骨骼力学性能预测及骨支架设计的新方法,为临床中骨强度的检测及骨缺损的修复提供了新技术及理论参考。