骨龄作为评价骨骼发育程度的数据指标，被广泛应用于临床医学、体育运动和法医学等领域。目前鉴定个体的骨龄主要是通过人工方式观察手骨X射线图像的每块骨骼的成熟程度，最终计算出综合的骨龄评价结果。人工读片的方式存在工作量大、步骤繁琐、可重用性差等缺点，而且容易受到个人经验和眼睛疲劳等主观性因素影响，因此利用计算机辅助方法实现快速、准确、可重用的骨龄自动化评价系统，正成为图像处理研究领域的热点之一。目前许多学者对骨龄自动评价系统进行了研究，但由于手骨X射线图像存在光照不均、骨骼跟肌肉组织混合一起和骨骼发育程度不规则等因素影响，导致提取骨骼的分割效果不太理想，现在大部分骨龄自动评价系统运行过程需要人工介入，真正智能化的骨龄评价系统还需要大量的研究工作。　　骨龄研究面临的困难是骨骼的准确分割和骨骼兴趣区域的提取。图像分割的研究有很多年，目前已有非常多处理图像方面的分割算法，但由于图像本身的特点，至今尚无适合各种类型图像的通用分割算法。主动形状模型算法(ActiveShape Model，ASM)是Cootes[1-2]等人提出的基于可变模型的特征匹配方法，该算法搜索目标形状时能根据训练集改变模型的形状以适应目标的不确定性，同时利用先验知识控制检测结果在合理范围内。目前ASM方法已成功应用于人脸识别、运动目标检测、医学图像特征提取等。为了实现对手骨边缘的提取，本文结合AdaBoost级联分类器，提出基于ASM方法的手骨提取方法，从而丰富了骨龄自动评价系统的应用研究。　　实验表明，本文提出的方法对手骨定位效果好，并且提高了执行效率，为骨龄自动化评价系统的下一步工作奠定基础。