基于深度卷积神经网络的齿科分割可以自动对齿科的视频和三维点云数据进行逐点分类,节省大量医疗资源。广大学者针对如何精确且高效地在齿科的视频和三维点云数据上做语义和实例的分割做了巨大的努力。然而,在点云实例分割中,当前基于中心点或预测框的齿科点云实例分割方法无法有效克服齿科分割边界模糊的困难;当前的齿科点云实例分割方法无法有效融合异构数据以提升分割准确率。在视频分割中,当前的齿科视频分割方法无法在物体高速运动和形状变化时得到鲁棒的分割结果。针对以上问题,本文做了以下工作:（1）为了在边界上得到精确的齿科点云实例分割结果,本文提出了一种基于点云数据对象性和关联性的齿科点云实例分割技术。该技术使用特征预测结果优化实例中心点的预测结果,并使用一个二分类网络在嵌入空间中学习中心点对应的实例结果。该方法可以得到清晰的实例边界,且与当前已公开平均精度最高的点云实例分割方法相比,在齿科点云实例分割上提升了约1.3%-1.6%的平均精度。（2）为了有效融合异构数据提升齿科点云实例分割的准确率,本文提出了一种齿科点云实例分割的异构数据融合与损失函数设计方法。该方法使用交互式图网络高效融合不同模态的特征信息,并采用基于遗传算法的损失函数搜索方法获取平均交叠比度量准则下性能提升最大的可导损失函数。该方法有效地融合了三维点坐标、法相的特征信息,与当前已公开平均准确率最高的点云实例分割方法相比,该方法在齿科点云实例分割上提升了2.92%的平均准确率。（3）为了在齿科视频分割中得到鲁棒的结果,本文提出了一种基于三重注意力机制的齿科视频分割方法。该方法使用三重注意力机制高效融合视频的时域、空域、通道的上下文信息,并使用一个相对轻量的网络对齿科视频进行分割。与当前已公开区域相似度均值最高的视频分割方法相比,该方法在齿科视频分割上提升了8.7%的区域相似度均值,且对每一视频帧的平均处理时间仅为60ms。本文设计的基于深度卷积神经网络的齿科数据分割方法旨在于口腔扫描过程中,对扫描视频进行实时、精确的语义分割,以便快速判断病人的牙齿、牙龈部分是否存在病变。并在口腔扫描数据的三维建模中使用点云实例分割的方法,解决牙体病变情况无法被精确判断的问题。