骨科疾病是一类存在广泛性和多发性的人类常见疾病,尤其我国人口结构趋于老龄化导致骨科患病率持续上升。当前大多数骨科疾病的诊断仍须依靠医学影像而传统诊断方式需要手工进行,这给大夫和患者带来了一定的风险。近年来,随着深度卷积神经网络的快速发展,越来越多的深度学习模型被成功应用于医学影像研究,并在多个方向展示出临床价值。然而,骨科病变具有种类繁多、影像学表现复杂等特点,使得准确地进行骨病灶检测仍然是一个具有挑战性的任务。为此,本文将主要围绕CT断面影像脊柱骨、骨盆等部位的分割和骨病灶检测展开具体研究。主要工作内容如下:（1）CT影像骨骼自动分割研究根据CT影像中骨骼组织的医学特征与人体骨骼组织的CT值强度分布范围提出一种结合迭代阈值分割和区域生长的分割方法。主要包括以下步骤:首先,将原始图像转换为CT值数据,再进行归一化、降噪以及获取人体有效区域。其次,根据骨骼组织的CT强度特点提出一种基于伽马变换的增强方法。然后,通过迭代阈值分割法对CT值数据进行自动分割,获取骨骼组织的大致区域。最后,从骨骼大致区域中筛选合适的种子点通过生长法进行分割,并进行后处理操作。（2）CT影像骨病变检测技术研究针对CT影像骨病变较难自动检测的问题,本章将基于级联R-CNN网络提出一种采用注意力机制与特征融合方法的多尺病变度检测网络。首先,根据骨骼医学影像特征和病灶标注特点筛选更多原始骨病变数据并进行扩增。其次,确定最有效的三个尺度特征进行多尺度检测,并提出一种有针对性的特征融合方式。然后,使用注意力机制模块对特征提取网络基础单元进行改进。最后,采用随机多尺度策略进行训练尽可能地覆盖不同尺寸的目标病灶。实验结果表明:一方面,本文骨骼自动分割方法与商用医学软件Mimics自动分割方法进行评估对比,获得了较好的分割效果,表明本文方法具有现实意义。另一方面,本文CT影像骨病变检测网络在召回率、AP、[email protected]以及小目标指标AP@Small分别达到0.879、0.402、0.815和0.417。与现有CT病变检测网络3DGA、ElixirNet、3DCE以及吴昊（2020）等人提出的方法对骨病变检测的召回率指标0.70、0.574、0.75、0.747相比,本文网络检测结果提升显著,表明本文网络对CT影像骨病变的检测具有较好的性能。