视网膜眼底图像广泛用于各种眼底病变的甄别与诊断，对于预防和及时诊治例如青光眼、糖尿病性视网膜病变、白内障等致盲性眼科疾病具有重要意义和作用，为了实现大规模甄别和减轻眼科专家的工作负担，基于计算机视觉的自动病变诊断系统近年来得到研究人员广泛关注，其对眼底图像中的主要生理组织结构进行检测和分割对于后期病变诊断具有重要辅助作用。视盘是眼底图像中最主要的生理结构，对视盘进行准确定位和分割有利于眼底病变的诊断，例如：很多视盘分割算法需要预先给出初始种子点；由于视盘和黄斑（视觉最敏锐区域）之间的距离近似为常数，当视盘位置确定后，确定黄斑区域也就容易了；视盘和大尺寸的亮黄色病变（溢出物病变）容易混扰，准确地检测出视盘可以将其从候选病变对象中予以排除。由于非均匀光照、对比度以及病变等因素干扰使得想要准确地定位和分割视盘并不容易。尤其在病变图像中，视盘外观可能被完全破坏，因此检测难度非常大，针对已有文献中视盘定位和分割算法存在问题，本论文在提高视盘定位的精度和效率以及提高视盘分割的鲁棒性方面做了一定的研究，论文主要工作包括以下几个方面：提出一种快速自动定位视盘方法，首先基于梯度和亮度信息提取视盘的候选区域点；然后利用血管在视盘区域分布非常集中并且沿垂直方向延伸的特点,对候选点进行匹配滤波最终定位视盘点。本论文方法在五个公开的眼底图像数据库1540幅图像上进行了测试，成功定位出1514幅眼底图像，准确率达到98.3%。STARE数据库中平均运算时间为6.3s每幅，在正常和病变眼底图像测试中表现出良好的鲁棒性。通过综合利用视网膜眼底图像中血管分布和方向特性，研究了一种新颖的能够快速精确定位视盘的算法，算法首先采用了一个结合3种血管分布特性（即血管密度，紧凑性和均匀性）的特征来定位视盘的水平坐标位置，在限制垂直坐标的范围后，根据全局血管走向特性，引入霍夫变换对主血管进行抛物线拟合，最终确定视盘的中心点坐标。本算法在四个公开数据库340幅眼底图像上进行了测试，其中成功定位出339幅（99.7%）。平均定位一幅图像的时间约为2.1-10.3s。，相比之前的很多定位方法，该算法在定位精度和效率方面有优势。可靠、有效的视盘分割对自动眼底病变诊断分析具有重要意义。本论文提出了一种基于平滑滤波和CV模型的视盘分割算法：在利用投影法定位出视盘的中心后，采用Gabor滤波技术提取并移除视盘局部区域的主血管，然后利用邻域信息通过插值运算填充被移除血管区域像素，再采用边缘保留平滑滤波对视盘区域进行平滑，最后利用基于区域信息的CV水平集模型分割出视盘的边界。本论文方法在MESSIDOR数据库上进行了测试，平均分割准确率为0.83，表现了良好的分割性能。