骨龄识别是指通过骨骼的形态、尺寸等特征来判断其生长发育所处的阶段。通过骨龄和真实年龄的差距,可以知道骨骼发育是否正常,从而为临床医学、法医学和运动员选材等提供依据。左手的X光片是最常用的骨龄识别数据,已经形成了一套完善的手部骨龄评价体系,其中国际公认的标准便是GP图谱法和TW评分法。但是这些人工方法存在准确率低和阅片时间长等问题,因而计算机辅助骨龄识别的相关技术和方法逐渐受到了研究人员的重视。特别是随着深度学习和神经网络的迅猛发展,基于深度学习进行骨龄识别的方法逐步成为研究的重点,此类方法具有数据预处理简单,鲁棒性好而且识别精度高等优点。有研究指出,在低年龄阶段腕部是手部骨骼变化最显著的区域,因而相比整个手部具有更好的骨龄识别效果。而且,腕部骨龄对于生长激素分泌不足等疾病的判断具有重要的作用。此外,基于腕部进行骨龄识别还可以减少手部在X射线中的暴露面积。在骨龄识别任务中,局部特征具有至关重要的作用。基于目前相关学者采用人工选取、基于检测或者是基于热力图的方法获得局部特征的思路,本文重点研究了高效的全局特征和局部特征提取方法,主要工作内容如下:（1）针对现有模型容易受背景影响导致对细小骨骼分割困难等问题,本文设计了腕骨分割网络U2Net,该网络通过采用多损失函数抑制了背景的影响,通过双解码器实现了精细化分割。相比UNet、UNet++等模型,在数据集达到了更好的测试指标。（2）人工阅片推断骨龄的主要依据是骨骼的轮廓、形状和尺寸等特征,因此本文提出了拥有强大全局特征提取能力的骨龄识别模型Boception,通过把腕骨分割掩膜作为辅助输入,进一步提升了网络对腕骨区域的关注。而本文提出的特征融合和残差空间注意力模块则能够充分利用高层的抽象语义信息和低层的形状、位置信息,关注重点区域。最终通过使用余弦曲线学习率衰减策略和MAE损失函数,该模型在腕部数据集达到了6.4个月左右的平均绝对值误差。（3）为了增加全局特征的差异性从而得到更好的结果,大多数骨龄识别研究都致力于找出图像中的重要局部区域提供补充信息,因此本文提出了结合全局特征和局部细粒度特征的多局部骨龄识别网络（Mutipart Boception Network,MBNet）,该网络创造性地引入了特征分割分支和基于注意力的通道拆分分支。这两个分支能够分别从全局特征提取到潜在的和显著的局部特征。实验表明,本文提出的网络模型在腕部数据集的平均绝对值误差达到了5.9个月,相比基准网络Inception-v3降低了11%,而且该网络在手部公开数据集上的平均绝对值误差只有5.0个月。（4）基于本文研究成果进行了实用性探索,开发了基于Py Qt的骨龄识别软件,该软件可自动标注腕部位置,分割出腕部骨骼,最终实现手部和腕部的骨龄识别。