抽动症(Tourette Syndrome,TS)是一种以重复、刻板、无意识、无目的的运动性或声音性的抽搐动作为典型特征的,多发于儿童的慢性神经系统疾病,易产生抑郁、焦虑、睡眠问题等多种并发症,对患者的正常生活、社会交往产生严重影响。临床抽动症的诊断需要经过包括病史收集、临床检查与评估、实验与辅助检查等复杂过程,抽搐程度评估则需要医生对患者进行长时间的访谈,根据量表对动作行为进行评分。诊断与评估过程消耗大量时间且需要医生与患者之间的高度配合,同时存在患者主动隐藏抽搐的可能,不利于诊断与评估。针对上述抽动症辅助诊断和严重程度评估中的困难和挑战,本论文探讨了深度学习在抽动症辅助诊断中的可行性,使用机器视觉对抽搐动作进行检测与识别。本论文以浙江大学医学院附属第二医院儿科的72例抽动症患者的正面监控视频为基础,对抽搐动作检测与抽搐动作识别进行深度学习研究,构建了基于多示例学习(Multiple Instance Learning,MIL)的残差网络(ResidualNetwork,Resnet)模型对抽搐动作进行检测,并构建基于三维卷积神经网络(Three-Dimensional Convolutional Network,3D-CNN)的动作分类模型对抽动症患者的各类抽搐动作进行识别。研究结果表明,本论文构建的基于多示例学习的残差网络模型在异常检测中达到了 95.48%的准确率,在新的患者数据中进行测试也能够达到77.03%的准确率与83.81%的召回率,同时,基于3D-CNN模型的抽搐动作分类准确率达到了84.78%。本论文的研究成果证明了深度学习在抽搐动作检测与识别中的可行性,能够在仅使用录像设备的情况下完成动作检测与识别,有效地帮助医生进行大规模的视频异常动作标注,同时为抽动症辅助诊断与严重程度评估提供一定参考。