眼底图像分析和处理技术的研究，对于各种眼科疾病乃至人体其他系统的疾病诊断都具有非常重要的临床指导意义。而血管、视神经盘作为眼底图像解剖结构的重要组成部分，特征各异，结构复杂，使得同时实现两类解剖结构的分割较为困难。本文分别采用集成学习算法实现血管的分割，采用贝叶斯推理实现视神经盘的分割，在此基础上最终采用决策树首次实现上述两种解剖结构的语义分割。具体工作如下:
　　首先，提出了基于AdaBoost的眼底图像血管分割方法。先对眼底图像进行一系列预处理操作，在去除噪声的同时增强血管和背景的对比度，随后分别提取了G通道反转灰度值、B-COSFIRE、Line detector、2D Gabor小波等7维血管特征，从而进行特征融合并和数据库的真值专家标注一起送入到AdaBoost分类器训练模型，在DRIVE和STARE公开数据库上，用训练好的模型实现了血管的准确分割。
　　其次，提出了基于规则的眼底图像视神经盘分割方法。采用一种由粗到细的策略，首先进行感兴趣区域检测，利用颜色增强的Harris角点计算凸包，从而得到一个粗略的视神经盘区域。然后根据这个大致的视神经盘区域以及超像素分割结果计算先验概率分布，同时基于凸包统计颜色直方图计算每个像素点的观测似然概率，进而利用贝叶斯推理得到眼底图像的后验概率分布。最后，图像二值化后通过标准的霍夫变换圆形检测在公开数据库RIM-ONE上精确分割视神经盘。
　　再次，提出了基于决策树的眼底图像解剖结构语义分割方法。跟血管提取方法思路相同，对眼底图像进行预处理之后，分别选取了G通道反转灰度值，B-COSFIRE、2D Gabor小波作为血管的特征，选取上述贝叶斯推理的后验概率和另一种简单的显著性结果作为视神经盘的特征。在盛京医院眼科医生的帮助下创建了实验所需的数据库，在此数据库上选择决策树分类器实现了血管、视神经盘、背景三类的语义分割。
　　最后，本文在MATLAB提供的GUIDE环境中进行GUI界面开发，根据上述方法进行界面设计和组件编程，分别实现了基于AdaBoost的眼底图像血管分割系统，基于规则的眼底图像视神经盘分割，基于决策树的眼底图像解剖结构语义分割系统。