视网膜黄斑区是人眼视网膜中负责控制精细视觉的区域,该区域上的病变是导致失明的重要原因。光学相干层析成像技术是一种对光散射介质内部进行穿透性成像的技术,临床上常用于对视网膜黄斑区进行三维成像,以辅助眼科医生进行临床诊断。利用该技术所生成的视网膜黄斑区三维图像具有数量多,噪声大的特点,对这些图像进行分析费时费力,因此全自动的视网膜黄斑区光学相干层析图像分析技术在临床上具有很高的应用价值。本文对基于深度学习的视网膜黄斑区光学相干层析图像的分类和分割方法均进行了研究,具体地,1.针对视网膜OCT三维图像分类任务,提出了基于自监督迭代学习的视网膜光学相干层析图像分类算法。自监督迭代学习方法通过在传统方法训练二维分类模型的基础上引入额外的重标签阶段来筛选可能被错误标记的二维图像切片,并通过不断交替迭代训练和重标签步骤,持续对二维切片标签集进行优化,使得二维切片标签集更符合实际的病灶分布情况。为了与自监督迭代学习相配合,我们提出了新的推理策略代替常用的多数投票法。在两个数据集上的实验结果表明,在使用卷积神经网络Res Net-101作为基线模型的情况下,我们所提出的方法能够有效提升基线模型的分类准确率。2.针对视网膜OCT二维图像分割任务,从改进优化方法的角度出发,提出了基于自适应Dice损失函数和深度监督的卷积神经网络分割算法,来对视网膜黄斑区进行层组织和病灶的联合分割。其中,深度监督模块通过在网络的中间特征层添加额外的输出层和损失函数,使得网络的浅层权重能够得到更好的训练;而自适应的Dice损失函数通过自适应的方式给予出现频次较低的类别更高的权重,使得网络在训练时更关注那些难度较大的类别。在一个公开数据集上的结果表明,在使用全卷积网络U-Net作为基线模型的情况下,我们提出的方法能够有效的提高基线模型的分割准确率。