目的 腰椎间盘突出症（lumbar disc herniation,LDH）是脊柱退行性疾病的常见类型，可导致腰痛和下肢神经症状。MRI图像在诊断中至关重要，但存在依赖经验和缺乏标准化机制的问题。研究旨在开发基于卷积块注意力模块-视觉目标检测算法（convolutional block attention module-you only look once,CBAM-YOLO）的深度学习模型，以辅助自动诊断LDH MRI图像，从而提高诊断的准确性和效率。方法 研究采纳了一个包含643例LDH患者MRI图像数据的公开数据集，每张图像均详细标注了包括椎间盘等在内的多种结构信息，并提出了一种新型模型CBAM-YOLO，它是在原有YOLO-v8模型的基础上，通过嵌入卷积注意力模块CBAM进行改良。此改进有助于模型更精确地识别突出椎间盘的特征位置及空间分布信息。为了充分验证模型的性能，研究使用CBAM-YOLO模型对经过数据增强的训练集进行了系统训练，共进行了100个训练周期。在模型评估环节，研究采用了Precision、Recall、F1-Score、Accuracy以及mAP等多个评价指标，以全面而严谨地评估模型的性能表现。结果 CBAM-YOLO模型在诊断腰椎间盘突出症MRI影像方面展现出了卓越的性能。相较于原YOLO-v8模型，研究所构建的CBAM-YOLO模型在Precision达到了89.9%,Recall高达100.0%,F1-Score为94.6%,Accuracy为89.9%，以及mAP达到了97.1%，均表现出了明显的优势。结论 测试结果充分凸显了基于深度学习的自动诊断体系在腰椎MRI图像中椎间盘识别与分割方面的巨大潜力，同时在临床应用中可提高疾病诊断的准确性和效率，进而减轻医疗专业人员的负担。