研究目的基于深度学习（deep learning,DL）构建膝关节软骨与骨亚分区分割和软骨病损及骨髓病变检测的全自动通道。材料与方法使用来自骨关节炎倡议（Osteoarthritis Initiative,OAI）数据库,按照纳入和排除标准,分割模型随机纳入100例（70例训练集、15例验证集、15例测试集）,分类模型纳入1574例（1040例训练集、312例验证集、222测试集）。采用3D双回波稳态（3D double-echo steady-state,DESS）MRI数据,用极化自注意机制（Polarized Self-Attention,PSA）优化U-Net++网络结构（命名为PSA-U-Net++）,构建基于 MRI 膝骨关节炎评分（MRI osteoarthritis knee score,MOAKS）的膝关节软骨与骨亚分区的自动分割模型;进一步用改进的MR-Net网络结构构建软骨与骨亚分区病变的自动分类模型。同时一名初级放射科住院医师对模型使用的分类测试数据集进行软骨与骨手动分类,以进行分类性能的比较。使用Dice相似性系数值（dice similarity coefficient value,DSC）、体积重叠误差（volumetric overlap error,VOE）量化自动分割精度;计算特异度、灵敏度、受试者工作曲线下面积（Area under the curve,AUC）评估自动分类性能。结果本研究提出的PSA-U-Net++网络结构构建的膝关节骨与软骨亚区自动分割模型和原始U-Net++分割模型在股骨、胫骨、髌骨及相应软骨获得的DSC值分别为 0.985 vs.0.974;0.984 vs.0.971;0.958 vs.0.938;0.898 vs.0.883;0.857 vs.0.841;0.803 vs.0.789;对于关节软骨与软骨下骨的亚分区分割,除了胫骨外侧前区软骨外,所有亚分区DSC值均在0.7以上,所有软骨亚分区的平均DSC值为0.755,软骨下骨的平均DSC值为0.916。对于软骨病损与骨髓病变的二元分类模型,所有亚分区的AUC值均在0.7以上,软骨病损的平均AUC值为0.891,骨髓病变的平均AUC值约为0.858。与初级放射科住院医师的人工评分相比,分类模型的灵敏度高于人工分类（软骨病损:0.829 vs.0.672;骨髓病变:0.811 vs.0.676）。结论本研究通过优化的U-Net++分割网络和MR-Net分类网络分别构建的膝关节软骨和骨亚分区自动分割模型和软骨病损与骨髓病变自动分类模型获得了良好的分割效果和分类性能,为膝关节MOAKS评分提供了一个全自动深度学习管道,对于膝关节骨关节炎（knee osteoarthritis,KOA）的早期诊断和疾病监测提供了一种便捷的辅助工具。