骨龄作为评价生长发育情况的可靠指标,其评估结果的准确性对了解青少年儿童实时生长发育情况有着重要意义。准确评测手腕部参照骨的成熟等级是骨龄判别的关键,钩骨作为中国人手腕骨发育标准CHN法中权重最大的参照骨之一,对准确评估骨龄有着至关重要的作用。而在传统的人工评估方式下,专业医生少、读片耗时长,使得人工评估方式难以突破工作量大且效率低下的瓶颈。因此用计算机评测方式取代传统的人工评估具有重要的社会意义和现实价值。手腕部X光图像中的钩骨骨块不同成熟等级之间的主要区别表现为骨块的纹理特征和形态特征存在差异,而相邻或相近等级之间的特征差异较小;在成熟等级较高时,钩骨会与许多骨骼在X光图像上发生重叠。这些因素给计算机准确地评测参照骨的成熟等级带来了更多挑战;且国内外在面向单一参照骨的研究中,普遍存在成熟阶段划分宽泛、位置检测遗漏等问题。针对以上问题和难点,本文利用浙江省“校园公益行”项目采集的青少年儿童体质健康检测数据对钩骨的智能评测进行了相关研究,主要工作如下:(1)针对手腕部的复杂情况,提出手腕部钩骨特征区域的自适应提取方法。该方法可以根据待检测者的身高、年龄信息个性化地生成符合其自身生长情况的钩骨特征区域,进而有效减少周边骨块和肌肉组织在等级评测中带来的干扰。实验比较了不同的特征区域提取方式对卷积神经网络在成熟等级评测精准率方面的影响,验证了该方法的可行性。(2)针对钩骨图像成熟等级之间特征差别小的特性,本文提出了一种特征加强残差网络模型,通过加宽的残差块和双通路并行的方式增强网络的特征提取能力,并利用改进的损失函数减小跨越等级错误对骨龄评测准确性的影响。实验结果表明该网络模型在钩骨成熟等级评测任务中的准确率为89.4%,且未出现跨越两个等级以上的错误。(3)由于不同卷积神经网络在结构设计上存在差异,因此所提取到的特征信息也有所不同。为了进一步提高钩骨成熟等级测评的准确性,本文提出了一种基于多个卷积神经网络的概率联合判断算法,该算法能够利用多个卷积神经网络的输出进行概率联合判断,从而得到最终的钩骨成熟等级。实验结果表明,通过该算法可将钩骨成熟等级评测的准确率进一步提升到90.4%,且跨越两个等级以上的错误亦未出现。(4)设计并实现基于Web的钩骨成熟等级测评系统。将本文提出的钩骨特征区域自适应提取模型、特征加强残差网络模型、概率联合算法等整合在系统中,用以辅助专家快速评测钩骨成熟等级。同时这一系统能够进一步扩充数据集,为后续研究提供数据基础。本文提出的基于卷积神经网络的钩骨等级评测方法解决了面向单一参照骨研究中的特征区域遗漏、成熟阶段划分较为宽泛等问题,有效推进了参照骨等级评测准确率的提升,对快速、准确评估骨龄有重要意义。