目的:运用深度学习技术研究中医舌像分割,去除干扰背景。提出舌像识别算法判断舌色和苔色的类别,以期开发舌像诊疗系统辅助中医医生更好地诊断疾病。运用统计学技术分析不同舌色、苔色的量化指标,为中医舌象辨识提供客观依据,为舌诊客观化提供数据支持。方法:1.随机挑选232例受试者作为研究对象,采用CASIO-3000EX数码相机在标准光源D65下进行舌像采集,使用Photo Shop V 13.0进行初步人工分割,将处理后的数据集划分为训练集、验证集和测试集,运用数据增强技术增加训练集,通过U-Net初步探究中医舌像分割模型,提出一种新型舌像分割网络完善U-Net的不足。最后使用精确率,Dice系数,m Io U系数和错分类误差对模型效果进行评价。2.从舌像数据集中筛选唇色正常舌像,以中国中医药出版社“十三五”版本的《中医诊断学》教材为蓝本确定舌色苔色的种类与辨识标准,运用数据增强技术增加训练集,采用新型舌像分割网络分割舌像,通过分离注意网络（Res Ne St）构建中医舌像识别模型,最后使用准确率,召回率,精确率对模型效果进行评价。3.运用统计学方法分析舌像数据集。分析舌质颜色特征,参考嘴唇与舌质的差异以判断舌质的颜色。学习舌苔颜色特征以判断舌苔的颜色,并对舌色苔色的分类标准进行量化。结果:1.对于U-Net和新型舌像分割网络模型,使用测试集的中医舌像对模型效果进行评价。对于每张舌像,我们用四种评价指标对预测结果进行评估,并取测试集的平均值作为模型测试的最终结果。对于测试的数据集,U-Net精确率为0.9659、Dice系数为0.9707、m Io U系数为0.9642和错分类误差0.16。舌像分割网络精确率为0.9760、Dice系数为0.9809、m Io U系数为0.9760和错分类误差0.08。从实验结果分析,U-Net分割网络可以较完整地分割出中医舌像的舌体和背景。相较于U-Net,新型舌像分割网络可以取得更优越的效果。2.对于识别模型,采用数据增强后的测试集对模型效果进行评价。我们使用三种评价指标评估预测的结果。对于测试集,苔色识别的精确率为0.9262、准确率为0.9060、召回率为0.9263;舌色识别的精确率为0.8862、准确率为0.8845和召回率为0.8961。从实验结果分析,基于深度学习的网络模型可以较好地识别舌苔与舌质的颜色。3.对于中医舌诊标准的量化,舌体GB值中淡白舌较高,其次为淡红舌、紫舌、红舌,绛舌最低（P<0.01）。舌质I值中淡白舌较高,其次为淡红舌、红舌、紫舌,绛舌最低（P<0.01）。舌色与唇色GB值的差异排位顺序与舌色量化的GB值排位顺序相似,但差异度更大。苔色G值中白苔较高,其次为薄白苔、薄黄苔,黄苔最低（P<0.01）。薄白苔的各值较白苔低（P<0.01）。结论:1.本次研究提出的新型舌像分割网络分割性能比U-Net更加突出,可为后续的舌诊客观化研究提供技术支持。2.本次研究提出的舌像识别算法框架能较好地识别舌色苔色,且不受相机角度与拍摄距离远近的影响,抗干扰能力和适应性较强,提示该框架具有辅助中医医生诊断疾病的作用。3.深度学习技术能较好地从舌像中分割出舌体,且不受外部环境的影响,具有较强的泛化能力。对于舌色和苔色的量化指标,单一的R、G、B值不能全面地反映舌色苔色类别,需要综合颜色空间中所有的值全面进行分析。