儿科骨龄预测在许多医学和司法鉴定中起着关键作用。传统上,人们使用Greulich和Pyle方法（GP法）或Tanner和Whitehouse（TW法）评分法来判断一张X光片上对应的手部骨骼代表的骨龄。GP方法依赖于人工评判X光片与标准图谱中图像的相似度,将最相似的标准图片作为预测的骨龄。TW方法中将X光片划分为若干关键区域,对不同的关键区域提出了更有针对性的评价方法和指标。但是,传统方法无法避免个人经验与能力的差异,同时,评判效率也不能得到保证。深度学习（Deep Learning,DL）通常需要大规模带注释的图像数据集,但是由于医学数据获得的成本大和隐私保护的考虑,难以获得大量的骨龄数据。使用卷积神经网络（Convolutional Neural Network,CNN）用于骨龄分类,并将从北美放射学会（Radiological Society of North America,RSNA）数据集中学到的手骨图像低级语义特征迁移学习到从同济（Tongji）医院收集的小型数据集。根据模型在测试集上的平均绝对距离（Mean Absolute Distance,MAD）,来衡量模型的性能。为了验证上述模型的效果,获取了来自RSNA的公开数据集和Tongji的小型数据集。将上述数据集输入模型进行训练并测试其MAD。实验结果表明,提出的网络框架在RSNA数据集的MAD为0.19年,优于RSNA举办的骨龄识别比赛中第一名所提出方法的0.36年的MAD。该网络框架迁移学习到当地医院收集的小型数据集上时,固定前四层的参数能取得最好的MAD为0.169年,同时,将迁移学习用于性别分类时,使用RSNA数据集的准确率为93.64%,使用同济数据集的准确率为95.67%,说明所提取特征的有效性。特征可视化的结果显示骨龄特征关注手部关节缝隙和桡骨尺骨远端缝隙,比TW评分法多关注食指和无名指的关节缝隙。最后,消融实验也证明性别信息对于手骨骨龄预测至关重要。