随着近十几年来医学成像设备的不断完善,积累了大量的医学图像数据,促进了医学图像处理领域的发展,而眼部作为人类接受和感知外界视觉信息的重要媒介,其对应的眼部医学图像的处理和分析也是当前的一个重要研究方向。随着深度学习理论的不断完善和硬件设施的不断更新,深度学习技术已在图像分类、物体检测、语义分割等领域得到成功应用,其中的卷积神经网络算法是众多算法中效果最突出的。因此,将深度学习技术应用在眼部医学图像的自动化分析上,一方面可以减轻医生繁重的医学图像筛查工作,提高工作效率,另一方面还可以帮助患者预防疾病和及时治疗,具有十分重要的现实意义。本文对深度学习应用于两类眼部医学图像展开了研究,其中一类为甲状腺相关性眼病图像—眼眶图像,另一类为糖尿病视网膜病变图像—眼底图像。本文主要内容如下:(1)简要介绍了深度学习的发展历程、常用算法以及训练方法,其中重点介绍了卷积神经网络的结构、原理、常用的网络模型,最后阐述了常用的深度学习框架和深度学习应用领域。(2)甲状腺相关性眼病(Thyroid Associate Ophthalmopathy,TAO)的分类。首先通过数据预处理操作获取TAO图像的病症区域,然后根据其多位图的特性,设计了复合卷积神经网络模型,该模型包含3个不同的改进的Le Net-5子网络,分别提取对应位图的特征并进行分类,然后与原始Le Net-5网络进行对比实验。最后通过整合3个子网络的输出结果来得出最终检测流程的结果。(3)糖尿病视网膜病变(Diabetic Retinopathy,DR)程度的分类。在数据集方面,采用预处理操作消除图像噪声,采用代价敏感学习和重采样方法来解决样本不平衡问题。在网络方面,设计了一种深度监督Inception-Residual网络—Deep Supervision Inception-Residual Network(DSIRNet),还引入了深度监督方法来辅助训练。最后通过对比实验来验证提出的网络和方法的有效性。综上所述,本文主要研究了基于卷积神经网络的模型来提取眼部医学图像特征并进行分类,通过实验验证了上述提出的模型和方法的有效性以及实际应用价值,对于其它类型的医学图像分类也有很好的借鉴意义。