骨龄评估是一种应用于临床诊断和医学治疗的技术,目的是确定儿童的骨骼年龄和实际年龄之间是是否存在差异。传统的骨龄评估方法是根据患者手骨X射线图像中各个骨化中心的发育程度,由医生结合经验人工推断骨龄,具有主观性强、误差较大、评估过程较复杂、耗时长等局限性。鉴于目前骨龄评定方法的不足,提出了一种基于深度卷积神经网络的自动骨龄评定方法。本文的主要内容和研究结果如下:（1）提出了基于U-Net的手骨分割方法。研究手骨分割方法的关键在于尽可能多地清除无用噪声,并保留骨龄评估相关的特征。分析当前图像分割的研究成果及相关方法,重点分析医学图像的特点及其对图像分割的特殊性。从其特殊性出发,用Image Net数据集上预先训练好的VGG16网络取代U-Net模型的原始编码器,构建了改进后的基于U-Net的手骨分割模型,以达到完成手骨分割,提高数据图像质量的目的。（2）提出了结合高效通道注意的残差网络骨龄评估方法。骨龄评估的关键在于提取图像中与骨龄相关的高层语义特征。分析当前骨龄评估的研究成果及相关方法,分析深度卷积神经网络的骨龄评估实现过程,总结设计新的骨龄评估模型需要达到的要点;基于骨龄评估的功能需求以及实验数据的特点,对残差网络进行改进,引入高效通道注意模型和随机深度算法,设计相关损失函数,构建新的基于残差网络的骨龄评估模型,以期达到抑制数据规模小带来的过拟合问题和缓解样本分布不均匀对模型评估性能的影响的目的。（3）验证了手骨分割方法和骨龄评估方法的有效性。分析骨龄评估的真实流程,模拟骨龄评估的情况,通过改进后的U-Net手骨分割模型和结合高效通道注意的残差网络骨龄评估模型对数据图片进行手骨分割和骨龄评估,分析实验结果,验证改进后的U-Net手骨分割模型和残差网络评估模型的有效性。在DHA和RSNA数据集上的骨龄评估实验的平均绝对误差（MAE）达到5.68个月和4.36个月,评估性能优于当前主流方法。（4）设计并实现了骨龄自动评估系统中的手骨分割模块和骨龄评估模块。在子模块设计过程中完成了对建模方法的详细介绍,包括骨龄评估系统的实例图、时序图、类图、数据库图,以及骨龄评估系统核心功能模块的主要代码实现。并准备利用谷歌的Tensor Flow开源库,通过在线配置训练好的骨龄评估模型,使更多的医生和用户能够得到准确、有效、方便的辅助诊断服务。