X线胸片摄影术是临床中诊断肺部结节和其他肺部病变最普遍的影像学手段。然而,胸片中重叠的解剖结构（如肋骨和锁骨等）对肺部软组织成分的遮挡会增加放射医师的阅片难度,同时也会影响计算机辅助检测及诊断系统（Computer aided detection and diagnosis:CAD）分析的准确性。准确检测胸片中的骨骼边缘并对骨骼成分进行抑制有利于放射医师和CAD系统准确诊断胸片图像,具有重要的临床意义。然而,现有的图像处理方法往往忽略引入胸片的解剖结构先验,且生成的骨抑制图像往往与具有实际临床意义的双能减影胸片图像风格不同。本文的研究目标是基于深度卷积网络检测单幅X线胸片的骨骼边缘并实现骨抑制,生成有利于放射医师阅读或CAD分析的软组织像。本文的主要研究工作如下:（1）基于FC-DenseNet的胸片骨骼边缘检测方法。不同于以往方法中采用多个复杂的图像处理步骤检测胸片骨骼边缘,我们利用端对端的卷积神经网络FC-DenseNet训练了一个自动快速检测胸片骨骼边缘的深度模型。其中,我们提出了一种像素级加权的损失函数,通过加权对人工勾画中不确定性像素的损失置零,减少它们对网络训练的干扰。所提出的模型能自动处理来自不同设备的X线胸片图像,定位出图像中的肋骨、锁骨等骨骼边界。（2）骨骼边缘引导的骨抑制生成对抗模型（Bone Edge guided Generative Adversarial Network:EGAN）。EGAN模型将骨骼边缘检测器估计的胸片骨骼边缘概率图作为先验输入网络,引导网络更高效准确地抑制骨骼成分。具体地,将胸片及它的骨骼边缘概率图作为输入,采用GAN作为基本网络,训练骨抑制模型。实验表明,EGAN模型可以产生与双能减影软组织像高度相似的软组织图像。（3）特征引导的骨抑制模型在肺结核识别中的应用。不同于边缘引导的骨抑制模型生成高质量软组织像的目的,我们提出了一种特征引导的骨抑制模型,旨在生成对肺结核特征特异性更高的软组织像,提高肺结核识别性能。通过利用骨抑制前后的胸片图像分别训练各自的分类模型对肺结核胸片图像进行三分类（健康/有病但非肺结核/肺结核）,评价特征引导的骨抑制模型处理前后的胸片图像对肺结核识别的影响。实验表明,对比最新的肺结核识别方法,基于我们提出的骨抑制模型生成的图像训练的肺结核识别模型性能最佳。本文从胸片骨骼结构检测、边缘引导和特征引导三方面系统研究了胸片骨抑制方法,提出了基于FC-DenseNet的胸片骨骼边缘检测模型、边缘引导的骨抑制生成对抗模型以及特征引导的骨抑制模型,初步验证了骨抑制图像用于计算机辅助肺结核诊断的有效性。