头晕和眩晕是许多疾病的常见临床症状和典型症状。在我国人口众多、老龄化加剧的社会中,头晕和眩晕的患者数量日益增加。在头晕、眩晕的床旁检查中,眼球震颤是前庭病变最敏感、最具特异性的体征。通过临床采集的眼球运动视频测量眼球震颤模式,可为头晕和眩晕的诊断提供有价值的参考依据。然而上述过程仍依赖于专家和专科检查,无法实现智能化眼震模式识别及床旁诊断。良性阵发性位置性眩晕(BPPV)是极为常见的眩晕病,旋转眼球震颤是其主要体征。因此,针对发病率较高的旋转眼震,挖掘其眼震特征,建立基于深度学习的旋转性眼球震颤检测模型,实现眼震自动检测及区间定位,可以有效缓解医生的工作压力,提高其诊断效率,并为最终的辅助诊断系统提供支撑。本文完成的主要工作和贡献包括:(1)针对睫毛、眼睑等遮挡干扰下的瞳孔中心定位问题,提出来一种眼震视频浓缩与定标方法。利用卷积神经网络消除眼震视频中的无效帧,既避免了遮挡对瞳孔中心定位的干扰,又减轻了医生浏览眼震视频的工作负担。在此基础上,针对眼球的水平和垂直位移干扰旋转运动分析的问题,进一步提出基于模板匹配的Hough变换圆检测与轨迹跟踪相结合的瞳孔配准方法(CHt-TM),针对Hough变换圆检测易受睫毛干扰和瞳孔变形等影响的问题,结合模板匹配完成基于时空一致的瞳孔配准。通过实验可验证眼震视频浓缩与定标方法的性能;(2)针对微弱旋转眼震的自动检测问题,提出一种基于深度学习的旋转眼震检测方法。利用光流估计眼震旋转轨迹,建立眼球旋转强度置信图可视化运动趋势及强度;在此基础上训练旋转感知的双路卷积神经网络完成旋转眼震图像判定;最后引入基于时空一致性的误差修正规则,实现旋转眼震图像归并,完成最终的旋转眼震区间定位。在临床采集的眼动视频数据集上进行了实验,实验结果表明了该方案的有效性;(3)为提高眼震视频中旋转眼震片段标注效率,构建了一个智能辅助眼动视频标注系统。在Node.js平台之上,利用Vue.js前端开发框架和Webpack构建工具,搭建标注系统并部署到云服务器之上,该系统可实现视频播放、控制、模式选择、片段标注等功能。本文实验数据标注文件均由本系统采集,可验证该系统的稳定性和可用性。