目的 应用深度学习图像识别网络ResNet-18，基于肝脏CT扫描图像，建立非酒精性脂肪性肝病（NAFLD）分级预测模型，为辅助临床诊断提供参考。资料与方法 收集2020年5—12月河北医科大学第一医院164例经CT扫描检查拟诊为NAFLD的影像数据，共1 801层CT平扫图像，同时收集20例行上腹部CT平扫未见明显异常者作为对照组，共200层图像，共计2 001层图像。首先进行图像预处理，按照60%、20%、20%划分训练、验证和测试数据集，训练与验证数据集用于建立采用迁移学习方式的ResNet-18网络模型，优化模型权重参数以及防止过拟合，测试数据集用于评估模型最终表现，用受试者工作特征曲线评估ResNet-18图像识别网络在NAFLD分级中的价值。结果 ResNet-18图像识别网络在测试集中的总体准确率为95%，识别正常与轻中重度NAFLD分级的敏感度分别为100%、98%、88%、97%，特异度分别为95%、94%、98%、94%，受试者工作特征曲线下面积均)0.98。结论 ResNet-18图像识别网络在图像识别方面具有较高的敏感度和特异度，可以准确进行NAFLD分级诊断。