摘 要：目的：腹腔积气是急腹症的关键征象，快速识别至关重要。本研究旨在构建一个基于卷积神经网络（CNN）的模 型，实现 CT 图像中腹腔积气的自动识别与分割，以辅助影像科医生提高诊断效率。方法：回顾性收集 110 例腹部 CT 平扫图像 （60 例阳性，50 例阴性）作为训练集，由医师标注积气区域后构建数据集。采用级联模型架构：首先利用 3D-CNN 进行病例级 分类，再对阳性病例使用 U-Net 进行像素级分割。采用五折交叉验证与动态样本平衡策略优化模型。最终使用独立的 204 例临 床数据集进行验证。结果：模型在训练集上分类 AUC 为 0.71，灵敏度 73.33%，特异度 78.0%；分割 Dice 系数为 0.75。在临床 验证中，模型灵敏度为 80.43%，特异度为 63.39%，准确度 71.80%。单例图像处理平均耗时约 41 秒，在胃穿孔和术后气腹病例 中表现良好。结论：本研究构建的 CNN 模型能有效自动识别腹腔积气，灵敏度较高，具有辅助临床筛查的应用潜力。但其特异 度及小气泡识别能力仍需进一步优化。