急性冠脉事件严重危害人们生命安全,动脉粥样硬化斑块突然破裂是其中的主要诱因。影像诊断学已经成为医学不可分割的重要组成部分,尤其是心脏病学介入影像技术,已成为临床诊疗的重要手段。光学相干断层成像（OCT）技术是目前空间分辨率最高的腔内介入影像学技术,可以提供高清晰的血管腔横断面图像。目前,基于OCT成像技术的临床诊断主要依赖心内科医生在OCT成像完成后,多次重复性回顾以及手工测量血管管腔的狭窄程度、纤维帽厚度、斑块组分等进而确定下一步的临床决策。这个过程繁琐,耗时且常常局限于测量者的差异性。因此,有必要开发基于OCT图像的斑块类型识别的自动化程序,从而更加客观地辅助临床诊断。本研究围绕OCT图像的动脉粥样硬化斑块类型识别这一目标,研究了基于OCT图像的几种常见滤波算法、冠脉血管管腔边界检测算法、斑块类型分类算法以及斑块组分分割算法。主要内容总结如下:比较分析了基于OCT图像的不同预处理算法,如滤波算法、管腔边界检测算法。本文将OCT图像中的散斑作为噪声处理,比较和分析了几种常见的图像滤波算法对散斑噪声去除效果的影响。比较结果表明,双边滤波算法在综合考虑计算时长和散斑去除效果时最优。血管管腔边界检测是基于OCT图像分析动脉粥样硬化斑块的重要步骤。本文采用动态规划算法检测管腔边界,结果表明,动态规划算法与手工方法的相关性较高（大于0.95）。开展了基于OCT图像的动脉粥样硬化斑块组分特征化方法的验证实验。本文利用OCT成像系统采集离体颈动脉组织的OCT图像,采集完图像之后,将颈动脉组织进行包埋、切片、染色等操作,获取相应的颈动脉组织学图像。依据组织学图像中的斑块组分注解OCT图像,随后提取OCT图像的形态学特征、光学衰减特征和相对位置信息特征,建立纤维、钙化以及脂质组分的特征化模型。研究结果表明,所发展方法实现了以组织学为金标准的斑块组分特征化的像素级分割精度:纤维组分（80.0%）,钙化组分（62.0%）和脂质组分（83.1%）。建立了ResNet-3D网络自动分类OCT回撤图像中钙化/非钙化组分图像。为了减少网络的训练时间和训练参数,本文将ResNet-2D网络架构中的二维卷积核全部转变为三维卷积核,并将其中的一维卷积核采用ResNet-2D网络的预训练参数初始化,剩下的两维卷积核采用零填充或者非零填充方式初始化。此外,本文还采用了两阶段训练法解决分类钙化/非钙化组分图像数据不平衡问题。最后,本文采用多数选举法评估了不同数目图像输入对ResNet-3D分类网络性能的影响。实验结果表明:ResNet-3D网络在钙化/非钙化组分图像上的分类性能明显优于ResNet-2D网络,ResNet-3D网络最好的F1-scores结果达到了96.1%±3.4%。建立了ResUnet分割网络自动评价富含脂质组分的OCT图像中的纤维帽厚度（FCT）。ResUnet的编码部分是ResNet-50网络架构,ResUnet网络的解码部分是U-Net网络的解码部分。为了减少分割模型的拟合误差,本文将ResNet-2D网络的训练参数填充ResUnet网络的编码部分。本文利用dice损失函数补偿由于纤维组分/脂质组分分布不平衡带给网络的偏差;此外,本文采用全连接的条件随机场（CRF）作为ResUnet网络分割之后的后处理步骤,经过CRF处理之后的结果作为最后的分割结果。结果表明,ResUnet网络和CRF后处理的Jaccard系数比U-Net网络提升2%（纤维组分）、7%（脂质组分）和3%（纤维组分）、10%（脂质组分）。在分割结果的基础上自动化测量纤维帽的厚度,就可以得到FCT所在的OCT图像帧。本文比较了不同的滤波算法对散斑噪声的抑制效果;比较和分析了动态规划算法和手工方法对冠脉血管管腔边界检测的影响;以组织学为金标准,验证了基于传统机器学习算法的斑块组分特征化训练模型;基于一段完整OCT回撤,比较和分析了2D/3D卷积神经网络在分类钙化组分/非钙化组分图像中的性能差异;以深度分割网络为基础,分析了不同坐标系图像在量化纤维帽厚度中的差异性。本文建立的基于OCT图像的斑块类型识别的自动化程序,有助于开发冠脉介入诊断工具,为临床诊断提供辅助。