光学相干断层扫描成像(Optical Coherence Tomography, OCT)技术是一种新型医学成像方法，它能够对人眼视网膜进行高分辨率成像。凭借着其非接触、非侵入以及成像速度快等优势，OCT成像技术被广泛应用于临床眼科并已成为眼科医生诊断视网膜疾病不可或缺的工具之一。现阶段，视网膜疾病的诊断主要依靠眼科医生对OCT图像进行人工分析。然而，人工分析十分耗时费力，同时易产生主观误判。因此，研究基于OCT图像的计算机辅助诊断(Computer Aided Diagnosis, CAD)视网膜疾病分析方法具有十分重要的应用价值。近年来，深度学习(Deep Learning, DL)技术在许多领域取得巨大的发展与突破，例如：图像分类与识别、目标检测与跟踪、图像分割、视频处理等。在此背景下，本文围绕基于OCT图像的视网膜疾病分析这一核心问题，利用各种深度学习技术，从视网膜膜层分割、视网膜病变检测、视网膜疾病分类这三个方面开展研究工作：
　　(1)传统的视网膜膜层分割算法难以有效表示和辨识病变结构所引起的膜层畸变，因此在复杂病变视网膜OCT图像上的膜层分割效果难以令人满意。针对这个问题，本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的OCT图像视网膜膜层分割方法，该方法首先利用卷积神经网络从OCT图像中学习多个视网膜膜层的边界概率图，然后采用图搜索算法从膜层边界概率图中自动计算出精确的最优膜层边界。该方法能够充分学习复杂视网膜病变结构的深层语义特征从而对病变结构进行充分的表示。在2915张AMD视网膜OCT图像上的实验结果表明该方法对INL、OPL、RPE等膜层能够取得平均分割误差分别为0.22、0.66、1.04个像素的分割精度。
　　(2)传统的视网膜病变检测算法通常基于固定的数学模型或提取手工设计的特征来检测病变结构。但是，视网膜OCT图像中多种病变结构常常同时出现，且病变结构的类型、数量、形状、大小和位置变化不一，同时视网膜血管也易对病变检测产生负面干扰。由于以上这些现实因素，传统的视网膜病变检测算法难以达到理想的检测效果。针对这个问题，本文设计一种基于全卷积网络(Fully Convolutional Network, FCN)的OCT图像视网膜病变检测方法，该网络主要由卷积模块、局部对比度增强模块和反卷积模块构成，它能够在充分保留病变结构空间位置信息的同时准确辨识各种复杂病变结构。实验结果表明该方法在2500张Drusen、CNV、DME以及正常视网膜OCT图像上能够获得Dice系数分别为0.92、0.87、0.89、0.95的病变检测效果。
　　(3)眼科医生诊断视网膜疾病的重要依据之一是视网膜病变结构的种类、数量、大小以及形态等信息，因此视网膜病变结构可以用来对视网膜疾病的分类进行指导。然而，现有的视网膜疾病分类方法未能充分利用视网膜病变结构的信息。针对这个问题，本文提出一种基于病变引导网络(Lesion Guided Network, LGN)的OCT图像视网膜疾病分类方法，该方法采用一系列病变引导模块向CNN分类网络中引入病变信息，使网络在保留全局OCT图像中有用信息的同时，充分利用局部病变结构的特征来实现高效准确的OCT图像分类。实验结果表明该方法在70404张Drusen、CNV、DME以及正常视网膜OCT图像上能够获得总体准确率为90.1%的疾病分类性能。