目的：利用卷积神经网络实现基于锥形束CT(cone-beam computed tomography, CBCT)体素数据的牙齿实例分割和牙位标定。方法：本文所提出的牙齿算法包含三个不同的卷积神经网络，网络架构以Resnet为基础模块，首先对CBCT图像进行降采样，然后确定一个包含CBCT图像中所有牙齿的感兴趣区域(region of interest, ROI)。通过训练模型，ROI利用一个双分支“编码器-解码器”结构网络，预测输入数据中每个体素所对应的相关空间位置信息，进行聚类后实现牙齿的实例分割。牙位标定则通过另一个多类别分割任务设计的U-Net模型实现。随后，在原始空间分辨率下，训练了一个用于精细分割的U-Net网络，得到牙齿的高分辨率分割结果。本实验收集了59例带有简单冠修复体及种植体的CBCT数据进行人工标注作为数据库，对牙齿算法的预测结果使用实例Dice相似系数(instance Dice similarity coefficient, IDSC)用来评估牙齿分割结果，使用平均Dice相似系数(the average Dice similarity coefficient, ADSC)评估牙齿分割及牙位标定的共同结果并进行评定。结果：量化指标显示，IDSC为89.35%, ADSC为84.74%。剔除了带有修复体伪影的数据后生成了有43例样本的数据库，训练网络得到了更优良的性能，IDSC为90.34%,ADSC为87.88%。将得到的结果进行可视化分析，牙齿算法不仅可以清晰地分割出CBCT中牙齿的形态，而且可以对牙齿的分类进行准确的编号。结论：该牙齿算法不仅可以成功实现三维图像的牙齿及修复体分割，还可以准确标定所有恒牙的牙位，具有临床实用性。