中医理论体系本身是比较完备的,但是难以客观化标准化。导致中医很难与现代医学技术相结合。因此限制了中医诊疗的发展。为了进一步发展中医国学,国家极力开展关于中医理论与计算机技术相融合的工作。而中医舌诊直观稳定易于观察,并且临床应用价值较高,成为了一个重要的研究课题。在当前,由于人工智能技术发展很好,将其应用到中医舌诊使其自动化是当前研究的一个很流行的方向。而研究这个方向主要有两个方面,舌象分割和舌象分析。也有不少的研究者在这两个方面进行研究,但还遗留了一些问题。在舌象分割方面,许多人主要还是利用以前的图像分割相关的技术进行研究,其结果精度和自动化程度都不高。在舌象分析方面,本文主要研究的是舌象分析中的裂纹特征,目前研究相对较少。仅有的一些研究,时间复杂度比较高,普适性比较差。同样的,基于舌象原理的系统平台也比较少。因此,本文给出了一种更精确的舌象分割方案,并在此基础上研究了一种基于拉东变换的裂纹识别方法。最后融合了其他的舌象特征,进行了中医体质检测的模型训练,并且结合本文的分割方法实现了一个中医体质分类实验平台。本文的研究点有三个:（1）为了实现更精确的分割,本文提出了基于改进的Skip Connection结构的FCN-16s模型。并利用数学形态学相关的方法对该模型分割后的舌象边缘进行处理,解决了边缘毛刺的问题,使得边缘更加光滑。这样能够更加精确的分割舌体,为后续的舌象分析奠定了基础。在传统的FCN分割模型上,基于残差网络的思想对跳跃连接Skip Connection结构进行了改进,首先将浅层编码和深层解码进行叠操作,再经过卷积去学习到两者的细节差异,然后将其加入到原来深层解码中。经过对比实验发现,改进后的结构能够比较好的结合编解码特征。进而补充了分割图像语义的细节部分。本文使用MIo U作为分割效果评估,对Skip Connection结构改进后,该指标是95.40%。比改进前提高了1个百分点。用数学形态学方法优化之后,该分割指标是95.67%,相比优化前有一定提升。（2）本文提出了一种基于拉东变换的舌象裂纹识别方法。利用本文舌象分割方法对舌象进行分割然后预处理,并对处理后的舌象图片进行拉东变换,分析拉东变换的结果,提取了影响舌象裂纹识别的3个特征。对舌象图片进行裂纹标注,结合机器学习方法训练一个裂纹识别模型。进行相关实验对比之后,该模型能够有效地对裂纹特征进行识别,并且识别准确率为97%,召回率为96.6%。（3）本文实现了一个基于舌象特征进行中医体质分类的实验平台。首先对体质进行标注,然后用本文裂纹识别模型提取裂纹特征,用已有的方法提取其他舌象特征,并进行特征融合,训练了一个中医体质分类模型。并将基于改进的Skip Connection结构的FCN-16s模型与中医体质分类模型进行结合,实现了一个基于舌象分析的中医体质检测实验平台。用户上传舌象图片到后台,后台调用经过改进的Skip Connection结构的FCN-16s模型进行舌象分割,对分割后的舌象提取裂纹以及其他特征,进而调用中医体质分类模型获取体质信息。