骨骼年龄评估是儿科内分泌学中用于疾病筛查与生长发育预测的标准化临床检查项目。传统人工评估方法主要依赖医师观察左手及腕部X光片的经验进行骨龄计算，存在效率低下和结果稳定性不足等固有缺陷。针对这些问题，现有研究虽提出了基于图像处理或机器学习的自动化评估方法，但其准确性仍不尽如人意。受深度学习在图像分类与语音识别领域取得显著成功的启发，本项目开发了一种基于卷积神经网络（CNNs）与多核学习（MKL）算法支持下向量回归（SVR）的深度自动化骨龄评估模型。该深度框架不仅分析手部和腕部X光图像，还整合了种族、性别等异质性特征。实验结果表明，在两个不同数据集上，该方法相较现有最优技术展现出更高的骨龄评估准确率，证实融合异质性特征能更有效地表征骨骼成熟度。