在临床实践中,许多自动医学图像分析算法需要结合特定解剖结构特征的先验知识进行设计。然而,不同的器官通常具有不同的解剖结构特征。因此,在进行许多自动医学图像分析算法之前,首先需要自动识别医学图像中包含的身体部位信息以获取先验知识。此外,给定身体部位信息,可以减小检测、分割算法的搜索范围,从而提高医学图像分析算法的速度和鲁棒性。执行自动辨识器官位置的技术称为身体部位识别技术（Bodypart Recognition,BPR）,其旨在准确自动定位特定器官的身体位置,是许多医学图像分析任务和计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统成功的先决条件。但是,自动身体部位识别任务具有挑战性,仍需要进一步的研究。计算机断层成像（Computed Tomography,CT）是临床最常用的影像学检查手段之一。长久以来,学者们提出了许多基于CT图像的身体部位识别方法,并且取得了不错的性能。众所周知,CT图像是通过对CT原始数据（CT弦图）进行重建获得。目前,基于CT弦图的身体部位识别研究相对较少。然而,基于CT弦图进行身体部位识别亦具有极大的价值,因为在重建过程当中,CT图像可能丢失了一些有利于身体部位识别的特征信息,而该部分信息仍有可能存在于CT弦图之中。但是,由于CT弦图对于人类专家而言难以描述和解释,一些传统的身体部位识别算法难以对其进行特征提取。近年来,随着能自主学习目标特征的深度学习（Deep Learning,DL）技术被广泛应用于医学图像分析任务,基于CT弦图的身体部位识别研究也具有了可行性。因此,在本文中,我们针对如何在身体部位识别研究中有效利用CT弦图信息,进行了两方面的研究。（1）本文使用卷积神经网络（Convolutional Neural Network,CNN）分别基于CT弦图和CT图像对最常见的五个身体部位（头部、颈部、胸部、上腹部、骨盆）进行识别,从而探究CT弦图在此任务中的识别性能。以CT弦图作为输入的CNN分类器为Sino-Net,以CT图像作为输入的CNN分类器为Img-Net。实验结果表明,CT弦图在身体部位识别任务中表现出与CT图像相似的性能,甚至在某些低剂量扫描条件下优于CT图像。（2）本文研究分别从CT弦图和CT图像（双域）中提取到的特征信息是否具有互补性,并且研究在不同的扫描协议下基于融合特征的识别性能。具体而言,我们提出了一种基于可靠性的证据推理多分类融合算法,去融合Sino-Net和Img-Net的输出特征。实验结果表明,双域信息具有互补性,我们提出的融合算法能有效融合双域的特征信息,进一步提高身体部位的识别性能。