不孕症为患者的身心及其家庭均带来了极大的消极影响。常规检测手段如输卵管通液术、子宫输卵管造影或宫腹腔镜等存在微创、易感染等风险,且无法对宫寒型不孕症进行检测,因此探究一套低成本,准确率高且无损的宫寒型不孕症检测方法具有广阔的研究价值和现实意义。本文提出利用红外热成像技术和深度学习相结合的方法对宫寒型不孕症进行检测识别。采集育龄女性腹部的红外图像,比较宫寒型不孕症患者腹部与可孕育龄女性腹部温度分布情况,探讨温度的异常分布与宫寒型不孕症之间的关系。利用SVM、VGG16模型和Inception V3模型分别对宫寒型不孕症红外图像建模识别,对比三种识别方法优劣,选择最优识别方法,建立宫寒型不孕症辅助监测诊断系统。结果发现,宫寒型不孕症患者腹部温度分布不均匀,温度差异大,下腹部出现明显凉斑,温度相对可孕育龄女性下腹部温度偏低。对温差的平均差异采用独立样本T检验,差异有显著统计学意义（P（27）0.01）,宫寒型不孕症与人体温度的异常分布有关。基于SVM、VGG16模型、Inception V3模型分别对腹部红外图像建模识别,准确率分别为95%,98.75%,95.25%。结果表明,基于红外热成像检测技术和机器视觉的识别技术可有效地检测宫寒型不孕症。本研究是对在实验室理想条件下采集到的图像进行分析,而实际医学检测中,无法排除干扰因素的影响。因此,本研究尚不能作为宫寒型不孕症独立的检测手段。未来,结合不同的干扰热图建模识别,建立更具普适性的宫寒型不孕症检测方法。