牙齿是探讨人猿超科成员起源、演化与扩散的重要信息载体之一。然而,对于部分属种,它们的牙齿存在形态相似或定量参数重叠,使牙齿分类鉴定成为古人类领域颇具挑战的任务。因此,开发更有效的鉴定指标/方法尤为必要。为了该目标,可以从两个角度入手:1、传统方法的改进;2、引入新方法。三维相对釉质厚度（three-dimensional relative enamel thickness,3DRET）是进行分类鉴定的重要传统指标。目前,Micro-CT技术是测量该指标的主要途径。在此,该指标被证实存在两个缺点:1、3DRET深受Micro-CT图像体素尺寸（即空间分辨率）影响;2、3DRET与另外一个釉质厚度子指标（three-dimensional average enamel thickness,3DAET）存在依赖关系。前者会阻碍不同研究结果（同一属种不同分辨率）的对比,而后者会导致信息冗余。为此,我们提出一个替代指标。新指标定义为釉质与齿质的厚度比（ratio of enamel-thickness to dentine-thickness,3DRED）。以不同的分辨率（10-50μm）对一颗猩猩臼齿扫描14次并计算了不同体素尺寸下的釉质厚度。此外,统计了8个属种（包括尼人、现代人、粗壮傍人、黑猩猩、大猩猩、长臂猿、合趾猿和猩猩）共179颗下颌臼齿的釉质厚度,并分析了3DRET和3DAET,3DRED和3DAET的相互关系。结果表明:1、3DRET对体素尺寸很敏感,而3DRED基本不受影响;2、3DRET和3DAET存在明显的线性关系（相关系数>0.8）,而3DRED和3DAET不存在明显的依赖关系（相关系数<0.5）;3、对于下颌第一臼齿（M1）和第二臼齿（M2）,上述8个属种能在3DRED-3DAET双参数分类图版上被有效区分。相比3DRET,3DRED在分类鉴定上更加可靠。卷积神经网络（convolutional neural network,CNN）是一种前沿深度学习方法,在分类任务中具有卓越性能。在此,我们将该方法首次引入到古人类领域,并提出一个基于CNN的流程来对牙齿进行分类。首先,将釉质-齿质界面（enamel-dentine junction,EDJ）转换成二维EDJ卡片。具体而言,将EDJ向齿颈面进行投影并以颜色表示高度后便可得到EDJ卡片。然后,标记EDJ卡片并进行CNN训练。为了评估该流程,我们制作了106颗上颌第一/二臼齿的EDJ卡片。其中化石猩猩臼齿53颗（原始数据）,人属臼齿53颗（包含现代人和尼安德特人,大部分数据来源于开源CT数据库）。这些样本被分成训练集（n=84）和验证集（n=22）。根据这些样本,训练出一个二类分类器（猩猩和人）,并用分类器评估测试集中6个待测样本的分类亲缘关系。结果表明:1、验证集中的猩猩和人能被CNN精确分类（精度为100%）;2、测试集的分类预测与综合多种传统定量方法得到的结果一致。以上结果在小样本训练的基础上实现,由此表明CNN在该领域具有巨大潜力。以吹风洞和么会洞的巨猿后齿为例,开展分类学、系统演化和食性重建三方面的综合研究。通过该案例不仅可以进一步评估上述两种方法的效果,还可以加深对巨猿食性生态的认识。为此,开展了三组研究。首先,选取6颗轻微磨损的下颌臼齿进行釉质厚度分析,结果表明3DAET-3DRED双参数图版能有效区分巨猿。然后,制作一颗巨猿上颌第一/二臼齿的EDJ卡片,并以该样本作为输入,用猩猩/人属分类器判断巨猿的演化地位。深度学习结果表明巨猿的EDJ形态更像猩猩而不是人。最后,对巨猿下颌16颗颊齿（前臼齿和臼齿）进行咬合力分析。结果表明:巨猿臼齿的平均咬合力为1512N,大于大部分灵长类;前臼齿平均咬合力为2217N,大约为臼齿的1.5倍。咬合力结果支持前人结论,即巨猿能够处理难以咬碎/研磨的食物。此外,前臼齿咬合力明显大于臼齿,意味着巨猿很可能进食大块硬质食物。