骨龄是一种对骨骼成熟度的解释,通过它可以确定人类的生物学年龄,判断儿童的发育情况。骨龄应用诞生至今已有几十年之久,它不仅在儿科的临床环境中起着重大的作用,其应用已延伸至多个领域。目前,众多专业医师仍采用传统的骨龄评估方式,例如评分法、图谱法等。传统的骨龄评估方式耗时费力,容易受到主观因素的干扰且难以普及。在深度学习兴起之前,为克服人工骨龄评估带来的问题,人们尝试使用传统的图像处理方式来辅助医师进行骨龄评估,但不能从根本上解决这些问题。随着深度学习理论和相关技术的发展,基于深度学习的骨龄评估技术成为主流研究方向,论文对基于深度卷积神经网络的骨龄评估相关技术进行了研究。手骨图像的质量参差不齐,其中噪声、背景信息和手骨姿态不一致严重影响骨龄评估的精度。论文基于深度卷积神经网络对手骨图像预处理进行了研究,提出了基于DensUNet的手骨分割方法和基于ResNet152的手骨姿态矫正方法,得到了主背景分离、手骨姿态一致的手骨图像。在此基础上,研究基于深度卷积神经网络的骨龄特征提取,通过将压缩与提取模块和注意力模块以及性别特征融入主干网络,提出了基于改进InceptionV3的骨龄评估模型。论文使用公开数据集,设计多组实验,验证了图像预处理技术与骨龄评估模型的有效性,并基于Grad-CAM方法生成了手骨热力图。综合相关技术,结合实际应用,论文最后设计并实现了自动化骨龄评估系统,验证了论文研究工作的实用性。具体来讲,论文的主要研究内容包括以下几个方面。（1）在综述传统骨龄评估和基于图像技术的骨龄评估方法的基础上,总结了基于深度学习的骨龄评估方法的研究现状,分析了基于深度卷积神经网络的骨龄评估需要解决的问题,得出了论文的研究内容。（2）为消除手骨图像数据中的干扰信息,如噪声、影像标尺等,论文对图像预处理技术进行了研究。提出基于DenseUNet模型的手骨图像分割方法。该模型摒弃了传统的交叉熵损失函数,通过优化Dice函数,将其作为网络的损失函数进行梯度更新,使得模型在手骨分割效果上更加精细。基于ResNet152的手骨姿态矫正方法,解决了由于拍摄角度等因素造成的手骨姿态不一致的问题。使用上述的图像分割和姿态矫正技术,最终得到了手骨姿态较为一致的主背景分离的图像,为之后骨龄评估提供了基础。在训练以上两个网络模型时,现有的数据集不含训练所需要的标签,为解决标注标签耗时费力的问题,论文采用迭代训练的方式,降低了标注所需的人力资源。（3）论文将压缩与提取模块（Squeeze-and-Excitation Module,SE Module）融入InceptionV3网络,并将该网络与空间注意力模块（Position Attention Module,PAM）和通道注意力模块（Channel Attention Module,CAM）结合起来提取骨龄特征,提出了基于改进的InceptionV3的自动骨龄评估模型,并且模型中有效地融入了患者的性别特征。（4）论文使用北美放射学会（Radiological Society of North America,RSNA）提供的手骨图像数据集,从预处理前后的数据集、融入性别特征前后的模型以及加入多个注意力模块前后的模型三个方面,对骨龄精度进行了实验评估,验证了论文提出方法的有效性。提出了基于Grad-CAM的手骨热力图生成方法,根据得到的手骨热力图,可以总结出模型评估骨龄时所关注区域的变化,为理解骨龄与手骨图像之间的关系提供帮助。（5）综合图像预处理的DenseUNet模型和ResNet152模型,以及改进的InceptionV3骨龄评估模型,论文设计并实现了基于深度卷积神经网络的自动化骨龄评估系统,探索了相关技术在实际系统中使用的可行性。