目的 基于深度学习和磁共振黑血血栓成像（BTI）构建下肢深静脉血栓（DVT）的分期预测模型，并探讨其分期预测性能。方法 回顾性收集2015年11月～2022年7月在广州市番禺区中心医院检查的196例患者的检查信息和BTI图像信息，随机性将数据集划分为3个部分：训练集占约70%(n=136)，验证集与测试集各约占15%(n=30)。手动对实验组图像进行人工勾画矩形框，然后将对应的病变区域最小外接矩形框进行裁剪、统一尺寸、切片并输入深度学习模型中，基于ResNet50、ViT和EfficientNet构建3个下肢DVT分期预测模型，计算准确率、曲线下面积评估其预测性能。结果 ResNet50、ViT和EfficientNet-b0在测试集上的准确度分别为0.693、0.733、0.787,EfficientNet-b0在测试集上展现出了最优的分类性能；在急性期、亚急性期及慢性期的曲线下面积分别为0.700(0.568～0.811)、0.778(0.652～0.875)、0.850(0.737～0.914)。结论 结合磁共振黑血血栓成像图像，利用深度学习预测模型在DVT分期预测中具有一定的应用价值，这为DVT的精准分期提供了一个有效的技术路径。