Аннотация:Введение. Определение половой принадлежности индивидуумов по костям посткраниального скелета – важная задача в палеоантропологии и судебной медицине, при фрагментации или отсутствии костей черепа и таза. Традиционный остеометрический подход, основанный на половом диморфизме размерных характеристик, требует учета популяционной специфичности и непрерывно совершенствуется. Целью данного обзора является систематизация и анализ современных методов определения пола по костям посткраниального скелета, базирующихся на остеометрических данных.Материалы и методы. В обзоре проведен анализ современных научных публикаций, посвященных методам определения пола по посткраниальному скелету. Рассматриваются три основных методологических подхода: методы, основанные на одномерной статистике (анализ отдельных размерных признаков), методы многомерной статистики (дискриминантный анализ, логистическая регрессия), а также современные технологии, включающие использование данных компьютерной томографии (КТ) для 3D-реконструкций и применение алгоритмов машинного обучения (в частности, глубокого обучения) для анализа изображений костей.Результаты и обсуждение. Одномерные методы сохраняют практическую ценность благодаря простоте применения и возможности работы с фрагментированным материалом, хотя их точность обычно ниже, чем у многомерных. Многомерные статистические модели, учитывающие комплекс взаимосвязанных признаков, обеспечивают более высокую точность определения пола. Ключевым фактором, влияющим на надежность любого метода, является его популяционная специфичность – применение моделей, разработанных для одной популяции, к другой приводит к значительному снижению точности. Интеграция данных КТ и методов искусственного интеллекта открывает новые перспективы для автоматизации, повышения объективности и выявления новых диагностических признаков.Заключение. Современные методы определения пола по посткраниальному скелету представляют собой развивающийся инструментарий, где традиционные одномерные подходы эффективно дополняются сложными многомерными моделями и инновационными технологиями. Для обеспечения высокой достоверности результатов необходима разработка и валидация популяционно-специфичных стандартов. Будущее направления связано с дальнейшей интеграцией методов 3D-визуализации и машинного обучения, что позволит повысить точность, скорость и объективность экспертной идентификации.