骨骼是人体最重要的器官之一,当前人口老龄化的情况愈来愈严重,骨骼性疾病如骨折、骨质疏松等病症已经成为许多中老年人长期疼痛的根源。传统的骨骼影像诊断由专家根据自己的经验与标准对其进行评定,具有主观性强,诊断效率低等一定的随机性与局限性。计算机辅助诊断系统的出现能够为医生提供一个理性且高效的诊断建议,有效减轻医生工作压力。随着深度卷积神经网络在计算机视觉领域的快速发展,深度学习能够通过海量数据自动学习到数据中的特征与分布,因此更适合用来进行数据建模与辅助诊断。然而不同于常规图像分析,骨骼影像中不同骨骼疾病的图像差异很小,分析难度大,需要更加细化的特征进行辨别。因此,根据骨骼影像在临床诊断中的特点,本文从细粒度图像分析的角度出发,基于肌肉骨骼数据集、骨龄数据集、骨密度数据集,结合双线性特征组合与自注意力机制信息分配的特点,设计了一种基于自注意力机制的非局部卷积神经网络模型。该模型使用非局部模块在空间域上与通道域上进行注意力的分配,让模型能够在卷积层学习局部特征之外还能够学习到非局部之间的特征,丰富了特征图的内容,进而学习到更细化的特征。此外,针对骨骼图像特征较浅、结构固定的特点,本文采用Unet进行图像分割预处理,去除骨骼影像中字符、水印等冗余信息,进一步提升分类准确性,并对训练过程中的困难样本进行挖掘与数据增强,在一定程度上提升模型泛化性能。交叉验证实验表明,提出的非局部卷积神经网络模型肌肉骨骼数据集与骨密度数据集上达到72.1%,88.0%的F1值;在骨龄数据集上达到1.85的均方误差,均优于双线性CNN模型与基线模型。最后本文设计并实现了基于上述模型的骨骼影像辅助诊断分析系统,将模型部署于Web系统中供用户使用,并进行了功能测试与性能测试。