随着我国人口老龄化问题的不断加重,多见于老年人的骨质疏松症逐渐成为我国面临的严重疾病。骨质疏松症是全身性的疾病,引发原因多样,最主要的特征是骨含量减少和骨矿物质密度下降还有骨微观结构被破坏从而导致了骨折风险的增加。目前基于骨X光图像的研究大多提取单一的人工设计特征,但是骨质疏松症骨X光图像和正常骨X光图像极其相似,很难用肉眼进行分辨,因此相关研究很难达到很高的预测准确率。在本文中,我们设计了基于骨X光图像的骨质疏松症自动诊断框架。两种类型的特征被用来对骨质疏松骨X光图像和正常骨X光图像进行区分。一类特征是从深度卷积神经网络中获得的,称为深度特征;另一类是人工设计特征,包含一组标准纹理特征,如局部二值模式和灰度共生矩阵,以及一组我们之前研究提出的的编码特征。我们使用最小冗余最大相关算法进行特征选择来降低特征的高维性,并使用支持向量机作为识别器。这是首次将深度特征与最新的骨质疏松纹理特征相结合用于骨质疏松症诊断的研究。对比实验表明,通过两种特征的融合可以显著提高性能,而Alex Net与编码特征或所有人工设计特征的融合在所有融合中达到了最高的精度。