在全球范围内,眼科疾病一直是困扰人类的一大难题。眼底疾病由于其病变种类多样,早期症状不明显,发病率较高等特征已成为眼疾患者失明的主要原因。其中,糖尿病视网膜病变、青光眼以及年龄相关性黄斑变性作为三种主要的眼底疾病影响了我国一大批眼科患者。然而,80%的眼科疾病患者是可以在发病早期被防止或治愈的,因此眼底疾病的早期筛查和诊断是防盲的关键。除此之外,眼科医生资源匮乏且分布不平衡的问题也给眼底疾病筛查带来了很大的困扰。因此亟需能够在眼科疾病早期自动做出诊断和治疗建议的计算机辅助诊断系统。医学成像作为现代医疗过程中重要的一环,其优劣不仅取决于成像质量,更取决于医生对医学图像的判读能力。人工智能辅助判读医学图像不仅能够帮助医生更好地决策,更能在医疗资源匮乏的情况下达到早发现、早治疗的目的,节约医疗成本。借助人工智能（Artificial intelligence,AI）辅助眼科医生诊断是未来的一大趋势。本文以眼科医学图像为切入点,围绕辅助眼科疾病诊断开展研究,以相干光断层扫描（Optical Coherence Tomgraphy,OCT）图像作为主要研究载体,对眼科OCT图像进行去噪、分割和分类一系列较为系统、全面和深入的研究。同时,以其他模态的眼科医学图像为辅,结合临床需求对眼疾进行研究。具体研究内容如下:（1）针对原始眼科OCT图像中存在散斑噪声而引起的视网膜结构模糊,以致增大后续的视网膜分层、分割及病灶检测等难度的问题,提出了一种基于超分辨率的OCT图像去噪方法。该方法从多个原始连续OCT图像中减少散斑噪声,采用多帧融合的机制,对同一场景进行多帧扫描融合,利用子像素的运动,在一个像素内恢复丢失的信号,显著提高图像质量。为了评估提出的散斑噪声抑制方法的有效性,我们分别将此方法处理前后的图像用于视网膜分层。实验结果表明,该方法具有良好的图像增强性能,可获得更准确的视网膜分层结果。（2）提供精确脉络膜结构对于研究眼科疾病有着十分重要的意义。本文为了解决OCT图像中脉络膜的分割问题,结合脉络膜形态学特性,提出了一个深度学习网络框架:上下文编码高效自适应网络（CEA-Net）。该框架在上下文编码网络（CE-Net）框架的基础上中添加了通道注意力机制,有效提高了网络的分割性能;同时提出了一个形态学模块（AMR）,用于解决脉络膜分割任务中特有的独立孔洞问题;最后提出新的损失函数,用于优化分割边界。CEA-Net在两个由不同型号OCT机器采集的人眼数据集上进行验证,相比于其他分割网络取得了更好的分割结果。此外,本文将此方法应用于年龄性黄斑病变和高度近视数据集,通过分割任务来探究脉络膜厚度变化与不同疾病之间的关联关系。（3）前房角（ACA）分类是前节光学相干断层扫描（Anterior Segment Optical Coherence Tomgraphy,AS-OCT）诊断闭角型青光眼的关键步骤。现有的自动分析方法着眼于2D的AS-OCT切片中的二分类系统（即开角或闭角）。然而,临床诊断需要更具区分性的三级系统（即开角、窄角或粘连房角）,以使临床医生更好地了解闭角型青光眼类型的进展。为了解决这个问题,本文提出了一种基于AS-OCT图像的前房角分类的序列多尺度聚合深度学习网络框架（MSDN）。在该的方法中,利用多尺度判别性聚合（MSDA）模块学习切片级别的多尺度表示,引入卷积的长短期记忆网络（Conv LSTM）来研究序列级别的多尺度表示的时间动态。该方法在两个AS-OCT数据集上进行了评估。结果表明,该方法在适用性,有效性和准确性方面均优于现有的最新方法。（4）OCT技术不仅可以用在眼科图像领域,也可用于其他生物组织的成像,例如:心脏、牙科和皮肤科等。OCT成像技术有一定的通用性。由于心血管OCT（Intravascular Optical Coherence Tomgraphy,IVOCT）图像的成像模态与眼科OCT图像模态有相似之处,因此将基于IVOCT图像的心脏纤维性粥样硬化瘤分类任务作为拓展应用。本文提出了一种用于心脏纤维性粥样硬化瘤的自动分类方法,该方法中我们首先使用基于图论搜索的方法从预处理后的图像中检测边缘。然后裁剪所用到的关键区域进行特征提取,并探索三种纹理特征,局部二元模式（LBP）,哈希特征（Haar-like）和定向梯度直方图（HOG）,用于肿瘤识别。为了减少计算量,在特征提取中使用了词袋模型（Bo W）方法。最后,对支持向量机（SVM）进行训练,以便对那些没有纤维性粥样硬化瘤的图像进行分类。结果表明,该方法在数据规模较小时能够取得更好的效果。（5）视网膜图像中的病灶检测,对于糖尿病、疟疾的视网膜病变及其他眼科疾病的早期诊断有着重大的意义。本文通过利用计算机视觉中的显著性分析的概念,提出了一种新的视网膜病变检测方法。首先将视网膜图像分割为超像素点,再用两个新的显著性特征,即独特性和紧凑性,并将独特性特征和紧凑性特征结合起来,成为联通特征,来表示这些超像素点。然后通过一个双边滤波器来估计这些超像素点的显著性值。这些从矩阵中提取的显著性特征用于低秩分析以实现显著性检测。最后,在去除血管、视盘、中心凹等结构后,最终从生成的显著性图中提取的病变的精确轮廓。为评估其有效性,将该方法用于7个公开的糖尿病和疟疾视网膜病变数据集,实验结果表明,该方法在适用性、有效性和准确性方面均优于现有方法。