目的 膝关节前交叉韧带（anterior cruciate ligament,ACL）损伤的及时诊断是降低骨关节炎等风险重要途径。作为ACL损伤判别的常用影像学方法，三维磁共振成像（magnetic resonance imaging,MRI）相较于二维自然图像细节更繁杂，医生诊断所需时间长，智能辅助医疗是有益的。目前应用三维卷积神经网络（3D convolutional neural network,3D CNN）的ACL损伤分类算法存在计算成本大且数据使用不充分的问题，而基于二维卷积神经网络（2D convolutional neural network,2D CNN）的方法则忽略了第三维度的相关性和ACL的形态多样性。方法 提出一种嵌入切片序列关联模式的网络（slice sequence association mode network,SSAMNet）。SSAMNet通过设计切片序列信息融合（slice sequence information fusion,SFS）模块从MRI数据的邻近、全量切片中并行学习序列性质，建立切片特征映射中的关联模式，整合切片信息。借助多级尺度特征自适应关注（multi-level scale feature adaptive attention,MSFAA）模块，对不同关联尺度权重再分配，以适应ACL区域形状和位置表征多变的特性。结果 在MRNet数据集的实验中，模型的AUC(area under curve)值达到98.4%，相较于其他的ACL损伤分类算法性能最优，准确性及特异性指标也分别达到了91.4%和97%的最优值。在kneeMRI数据集上进行5折交叉验证实验后，SSAMNet的AUC平均值最高，ROC(receiver operating characteristic curve)曲线始终保持着平稳的趋势。可视化结果也表明提出的方法可以有效关注病变区域。结论 针对ACL损伤分类任务，所提模型性能优异且具有鲁棒性，存在临床应用价值。代码开源地址：https://github.com/wabk/SSAMNet。