目的 自主搭建神經網絡架構，利用深度學習技術輔助膝關節CT圖像自動分割，并對其準確性進行評估。方法 建立膝關節CT圖像數據庫，對骨性結構進行手動分割標注。自主搭建神經網絡架構，并使用已標注的CT圖像對該神經網絡進行訓練并測試，通過Dice系數、平均表面距離（average surface distance，ASD）、豪斯多夫距離（Hausdorff distance，HD）評價該神經網絡分割性能，并比較自動分割與手動分割所需時間。5名臨床醫師參照李克特量表對兩種方法分割準確性進行評分，比較準確性差異。結果 股骨側Dice系數為0.953±0.037、ASD為（0.076±0.048）mm、HD為（3.101±0.726）mm；脛骨側分別為0.950±0.092、（0.083±0.101）mm、（2.984±0.740）mm。自動分割每個膝關節CT圖像數據所需時間為（2.46±0.45）min，較手動分割的（64.73±17.07）min縮短，差異有統計學意義（t=36.474，P<0.001）。臨床評價顯示股骨側自動分割組評分為（4.3±0.3）分、手動分割組為（4.4±0.2）分，脛骨側評分分別為（4.5±0.2）、（4.5±0.3）分；股骨側及脛骨側兩組比較差異均無統計學意義（t=1.753，P=0.085；t=0.318，P=0.752）。結論基于深度學習的膝關節CT圖像自動分割準確性高，可以實現快速分割與三維重建，提升人工全膝關節置換術前規劃的工作效率。