椎体骨折鉴定是司法鉴定中常见的鉴定内容。目前，基于影像学的骨折诊断与鉴别诊断，是长期困扰司法鉴定的瓶颈问题，诊断偏差大、效率低、多次多头鉴定引发的重大群体性上访和缠访缠诉问题严重影响了社会和谐。本文旨在构建人体椎体骨折影像快速诊断AI方法，实现椎体骨折的自动化评估。采集1 151例腰椎椎体骨折的病例作为研究样本，分为训练集800例，验证集151例，测试集200例。应用训练集和验证集样本通过影像预处理、椎体定位模型构建、椎体定位及识别模型构建、椎体分割模型构建、椎体骨折诊断模型构建和模型评估共六个步骤进行椎体骨折评估模型构建，应用测试集对模型进行测试。结果显示，建立的智能评估模型识别椎体骨折精准率达到76%。该模型为椎体骨折自动化评估软件的研发提供了技术支撑。

近年来，随着人工智能的快速发展，赤足足迹和穿袜足迹的自动识别均取得了不错的效果，但因为需要脱鞋，应用场景受到了很大的限制。单枚穿鞋足迹识别由于鞋底花纹的多样性、随机性给智能识别造成了很大的阻碍，识别准确率普遍较低，成为了一个具有挑战性的任务。本文聚焦于不同人穿同一种鞋的足迹识别，提出一种基于多尺度特征融合的穿鞋足迹识别网络。采集大量的足迹样本，通过旋转、平移、加噪声等方式模拟犯罪现场足迹图像可能产生的变化，制作了足迹数据集，然后以ResNet为骨干网络，利用双向金字塔特征融合模块充分融合足迹图像的深层特征和浅层特征，最后针对鞋底花纹变化造成网络识别准确率降低的问题，提出了用迁移学习解决的思路，让网络学习未知花纹与现有花纹之间的联系，快速拟合出模型。经过训练测试，本文提出的方法在自制足迹数据集上识别准确率达到了93.1%，CMC评价指标也明显优于其他网络。在新的足底花纹上，迁移学习对比从头开始训练，速度更快、准确率更高。大量的实验证明，本文提出的穿鞋足迹识别网络识别准确率更高，提出的迁移学习的方法在面对新的鞋底花纹时，能够实现更好的效果。