骨发育成熟度(骨龄)指标在预防医学、临床医学、法医学和体育科学等领域有着广泛的应用。传统的骨龄评分是由专家根据标准模板对待测X光片进行评分,分值的主观性较强,不利于骨龄的客观评价,而且由于要对多块骨骼进行评分,人工处理所需时间较长,对评分人的专业知识要求较高,诸多因素决定了对骨龄评价自动化的迫切需要。研究将计算机视觉、数字图像处理、模式识别与骨龄评价相结合,实现骨龄评价过程的自动化,使评价的过程和结果更加客观和真实、效率更高成为一种现实需要。　　骨龄自动评估中首先要分割出需要评分的各个骨块,在提取各个兴趣区域之后,下一步就是要准确的提取各个骨块的边缘。由于X线片在摄片过程中会受到噪声污染且图像对比度低,用传统的方法进行分割存在分割不精确、边缘不连续等不足,效果难以令人满意。新型水平集图像分割方法不需预知待检图像拓扑模型,在复杂拓扑情况下进行图像分割效果较好,但基于区域可变的拟合模型的水平集算法对不同的图像需要对权值进行手动调整且在分割中不能进行自动更新。针对以上不足,本文根据闭合曲线内外图像的信息熵提出了权值自动调整的水平集分割方法,实现对桡骨的自适应分割。　　手腕骨生物特征的提取和选择,包括手腕部各骨块的形态特征以及钙化特征等。这些特征必须是能够描述青少年骨骼生长发育过程各阶段本质的特征。本文在详尽的分析了X线图像的特点上,选择了骨骺与干骺端的长度比、骨骺与骨干融合度、小波能量比、Zernike矩4种特征来描述骨块的局部特征,并联合Fisher线性判别分析来提取整幅骨块图像的全局特征共同组成描述手腕骨块发育等级的特征。　　支持向量机具有优良的学习能力和推广能力,然而其性能依赖于参数的选取。支持向量机分类器的惩罚参数C和核宽度参数对其泛化能力有很大的影响,本文改进了基于混沌优化的分类器参数选择并应用于骨龄自动评估。　　本文对骨龄自动识别中的一些关键技术进行了研究,深入分析了相关模型,对经典方法进行了改进和创新,对骨龄自动识别有一定实用价值。