半月板撕裂是膝关节疼痛的常见原因之一,也是膝盖机械性疾病中最常见的疾病。它会影响患者的日常生活,如果没有及时治疗会导致关节损伤,甚至会诱发骨关节炎等其它并发症,因此对于半月板撕裂的早期诊断至关重要。随着医学成像技术的发展,磁共振成像（MRI）技术凭借无创、敏感性强、分辨率高等优势,目前已经广泛应用于半月板损伤的诊断及研究中。然而,受医生临床经验等主观因素的影响,半月板的诊断常常出现漏诊或误诊现象。近年来,随着计算机技术的突破性发展,计算机辅助诊断在医学影像处理领域取得了较快进展,它在提高工作效率与减少漏诊等方面发挥了重要作用。与此同时,由于卷积神经网络具有良好的自学习能力与预测能力,目前已广泛应用于图像处理领域。针对上述问题,本文以安徽医科大学第一附属医院提供的患者膝关节磁共振影像为研究对象,利用卷积神经网络提出了一种半月板的计算机辅助诊断方法来帮助医生快速、准确地做出决策。本论文的主要创新工作如下。（1）膝关节半月板组织的分割:提出一种基于卷积神经网络的半月板自动分割方法,该方法主要由膝关节半月板影像预处理算法和分割网络模型两部分组成。前者用于降低运算成本以及突出半月板的比例,具体实现方法为利用霍夫变换算法确定半月板的局部区域,初步缩减图像尺寸至原来的1/7,随后利用伽马校正算法增强图像的对比度,进而突出半月板组织的细节特征。后者用于完成对半月板的精准分割,具体实现方法为在传统U-net网络中引入Inception模块建立多尺度U-net（Multi-size U-net）网络,该网络融合了不同尺度的特征信息,能够有效的识别细微的特征。通过实验表明,本文提出的方法缓解了其它组织干扰分割的问题,提高了分割的准确性,平均戴斯相似性系数达到94.22%。（2）半月板撕裂程度的分类:提出一种基于三层级连接残差网络自动检测半月板撕裂程度的方法,该方法主要由感兴趣区域提取算法和分类网络模型两部分组成。前者是在上述分割结果的基础上,进一步提取感兴趣区域。后者通过三层级连接残差网络实现了半月板撕裂程度的预测。通过多组对比实验证明了分类网络结构的有效性,实验结果得到半月板撕裂程度分类的准确率为96.36%,F1分数为96.54%,表明本文提出的方法对半月板撕裂程度的检测有精准的预测效果。