视网膜的OCT检查是一种常规的眼科诊断手段,主要目的是对眼底疾病的诊断与早期预防。医生通过OCT影像观察病人视网膜形态结构并评估视网膜形态,在其过程中需要涉及对视网膜层间结构的分割与量化分析,这是一项耗时、繁琐、重复性高的工作,且会受到医生经验、注意力、疲劳程度等主观因素的影响。目前,医院使用的OCT系统内附带的视网膜层间结构标记功能无法达到临床应用的标准,且现有视网膜OCT分割方法的理论较落后、方法欠智能、分割不精确,所以迫切需要一种可靠的高精度层割方法来协助医生进行诊断工作。本文对视网膜OCT三维影像的高精度层割方法进行了研究,面向两种不同的数据类型,提出了两种对应的基于深度学习的视网膜OCT影像分割方法。本文的主要研究内容有以下四个方面:1.建立了视网膜OCT影像标准数据库,数据库中拥有2D OCT数据集共11200张图像,3D OCT数据集共11520张图像,并包含一款辅助标定软件,为本文后续的研究提供了可靠数据来源。2.实现了一种面向视网膜OCT二维影像的深度分割网络,网络采用端到端结构与轻量化设计,包含带有瓶颈（Bottleneck）设计的密集卷积块（Dense Block）,通过跳级连接（Skip Connection）融合了多尺度交互信息。在2D OCT样本中层分割准确率、精度和灵敏度分别达到93.1%、88.5%和90.3%以上,整体分割准确率、精度和灵敏度分别达到94.7%、90.3%和92.2%,在使用GPU的情况下平均预测速度为0.45秒/张,各项性能指标优于传统图像处理方法与经典深度学习方法。3.实现了一种面向视网膜OCT三维影像的三维分割网络,利用三维卷积提取体数据空间信息,采用编码器-解码器（Encoder-Decoder）结构与跳级连接模式,在实现低计算资源占用的同时,4层分割平均准确率、精度达到0.955、0.977;9层分割平均准确率、精度达到0.932、0.979。并实现了低于0.152秒/张切片的预测速度,优于二维分割网络。4.探索了视网膜OCT影像分割的初步应用。借由三维重建技术,利用三维OCT影像的空间上下文优势,实现体数据重建,找到了视网膜OCT影像分割技术的落脚点。