慢性伤口恢复周期通常长达数月,恢复过程中非常容易被感染,恢复过程中通常需要专业护理人员与患者面对面进行伤口的护理。然而高昂的费用以及现有的医疗资源不支持患者长时间住院,所以开发一个伤口护理辅助系统非常必要。本文设计开发了一个基于深度学习的慢性伤口护理辅助系统,辅助患者进行伤口护理,减少了患者往返奔波于医院的次数,减轻了医生负担。本文慢性伤口护理辅助系统实现了用户登录功能、用户管理功能、信息录入功能、信息查询查询、伤口图像分割与识别功能。其中伤口图像分割与识别功能是本系统的核心功能。针对目前却少大型公共的伤口图像分割数据集,无法发挥深度神经网络的优势,现有研究都是基于小型数据集进行训练,并不能保证模型的泛化性,本文提出利用迁移学习来进行伤口图像分割。首先利用在大型公共数据集Image Net上训练的Res Net50网络作为特征提取器,后接Danet网络后利用制作的小型伤口图像分割数据集进行再训练,实验表明此方法能够准确对伤口图像进行分割,与其他模型相比,本模型在MIOU指标上取得了最先进的结果。由于用户拍摄的伤口图像中可能出现出多个不同处于不同恢复阶段的伤口,因此伤口图像识别不能简单地对图像进行分类。本文提出利用改进YOLOX算法对伤口图像进行识别,将伤口恢复的四个阶段（干性坏死期、验证反应期、肉芽生长期、上皮形成期）作为四个不同的目标,利用改进YOLOX进行识别。原始YOLOX的FPN特征加强器只利用了CSPDarknet网络提取的三个高层特征进行融合,本文认为恢复过程中四个不同阶段的伤口在形态和颜色上有较大的差别,因此CSPDarknet网络提取的底层通用特征也应该被FPN特征加强器进行融合利用。本文将CSPDarknet网络提取的底层特征与高层特征使用FPN特征加强器进行融合后在传入YOLOhead中进行分类和预测,实验表明本文改进YOLOX能够准确识别用户拍摄的伤口图像上伤口所处的恢复阶段,在mAP、mAP50、mAP75上相比原始YOLOX均有提升。