人工智能技术广泛应用于各个行业,“人工智能+医疗”逐渐进入人们视野,借助人工智能可以快速完成初步筛选、降低误诊率、提高医生阅片速度等。舌诊作为中医望诊的重要内容,简便易行,可以快速了解病情。舌诊智能化也是目前热点研究内容之一。随着深度学习理论和模型的成熟和发展,其在舌像分割中的应用也有很好的效果,然而,当数据来自不同数据分布时,模型性能衰减非常严重。针对此问题,本文提出了一种跨域自适应的舌像分割框架,能够在来自不同数据域的舌象数据环境下依旧具有很好的舌体提取效果。另外,目前很少有关于齿痕舌与裂纹舌的研究工作,这样不利于中医舌诊的客观化发展,为此,本文提出基于弱监督机器学习算法实现舌像中齿痕舌与裂纹舌的检测,检测出舌像中存在齿痕与裂纹的区域,能够在只有少量标注的舌像数据环境下,大大提高检测模型对舌像的检测效果。本文主要围绕舌像分割和舌像齿痕裂纹检测进行深入研究,并根据研究内容设计并实现了智能舌像分析系统。主要研究工作包含三部分:（1）研究舌像分割的域自适应问题;（2）研究基于弱监督的舌像齿痕裂纹检测问题;（3）智能舌像分析系统的实现。本文的主要创新点如下:（1）为解决舌像分割的域自适应问题,提出了迭代跨域舌像分割框架。受Snakes方法的启发,本文通过分析舌体的特点,结合分割结果的轮廓,提出了舌像评价方法。无需真实标签,能够自动评价结果的优劣。利用舌像评价方法选取较好的预测结果作为伪标签,融合原有数据集调整模型,使深度学习模型在新数据上的泛化能力提升。实验结果表明,该框架能很好处理舌像分割的跨域自适应问题,使得模型的Dice分数从70.11%提升到98.26%,优于现有方法。（2）为解决标注数据工作量大的问题,提出了弱监督的检测方法。该方法在学习完整标注信息的数据的同时,利用图像类别信息,学习无详细标注数据的特征,提升模型的检测能力,同时缓解了完整标注数据量过少引起的过拟合问题。实验结果表明,该方法能够在减少标注工作量的同时,实现舌像中齿痕与裂纹的检测。结合现有舌象数据和已有的舌像分割、舌像齿痕裂纹检测方法,设计并实现了基于Django+Ajax+vue.js+MySQL+Pytorch的智能舌像分析系统。通过该系统,用户可以上传舌象图像,根据需要进行舌像分割或齿痕裂纹检测,并可以通过查看历史记录观察病情变化。