人类头骨眼眶边缘的区域称为骨性眶缘。骨性眶缘的形状会随着年龄的增长而发生变化,研究骨性眶缘与衰老程度之间的关系可以为刑事侦查中受害人的年龄识别提供理论依据以及为临床进行年轻化治疗提供诊疗思路,具有极高的研究价值。目前,医学界关于骨性眶缘与衰老程度的关联模型的研究均采用手动测量的方式,存在工作量大、研究效率低和主观误差大的问题,且当前研究中的样本数量均较少,得出的结论的代表性较差。本文对骨性眶缘的获取、测量及衰老程度的识别进行了深入研究,并提出了一套基于深度学习的骨性眶缘CT图像与衰老程度的关联模型研究的新方法。该方法可以实现骨性眶缘的自动分割、并基于分割结果对眶缘的医学衰老特征和衰老程度进行自动测量及自动识别。此外,在使用多方数据训练该方法中的分割网络时,可以实现提供数据者的隐私保护。本文的主要研究内容包括:（1）提出了一个全尺度残差U-Net网络,该网络基于U-Net并结合残差模块和全尺度跳跃连接实现骨性眶缘的自动分割。全尺度残差U-Net网络的平均交并比达到96.1%,相较于原始U-Net的分割性能更好。本文提出的分割网络解决了现有研究中人工手动分割骨性眶缘存在的效率低下和误差大的问题。（2）提出了一个基于联邦学习的骨性眶缘分割方案,解决了使用多方样本数据联合学习时样本隐私泄露的问题。针对现有研究中样本数量少的问题,本文首先使用更大规模的数据集进行实验,然后设计了基于联邦学习模型的骨性眶缘分割方案,实现了在使用多方数据联合研究的同时保护各方数据的隐私。（3）提出了一个骨性眶缘医学特征的自动化测量方案。本文参考相关医学文献中的手动测量方法,设计了骨性眶缘的面积及分区高度的自动测量算法,可以为刑警和临床医生提供量化的数据。本文根据自动测量得到的数据与以往研究结果进行对比分析骨性眶缘在衰老过程中的变化。本文提出的方案解决了现有研究中手动测量存在的工作量大和主观误差大的问题。（4）提出了一个改进的混合注意力模块SPP-CAM,并结合该模块设计了一个卷积神经网络,对比连通域形状描述方法和形状上下文方法,该网络可以实现骨性眶缘衰老程度的自动识别,然后根据识别结果分析骨性眶缘的衰老模式。本文提出的SPP-CAM模块提高了神经网络对眶缘衰老程度的识别能力。本文首次提出了骨性眶缘的自动化研究方案,建立了一套完整的骨性眶缘CT图像与衰老程度的关联模型研究的方法,并在较大规模数据集上进行了实验验证。此外,本研究中所使用的全部算法代码均已开源,可以方便后续研究者进行进一步的骨性眶缘与衰老程度的关联模型的研究。