随着现代社会各类数据海量的积累,计算机计算能力的提升,学术界和工业界对算法模型及框架的改进,深度学习的发展正在突飞猛进。目前深度学习已经取得了很多成果,在各行各业都有所实际应用,解决了很多复杂的难题。由于我国医疗资源分布不均衡,常规眼底照相机不太方便对偏远地区的人们进行眼病普查,因此借助于深度学习技术,利用便携式手持眼底照相机进行身份认证和眼病辅助检测非常必要,不仅节约了医疗卫生资源,提高了医护人员的工作效率,也相对平衡了我国医疗水平分布不均、眼科医生水平参差不齐、大型医疗器械难以广及等问题。针对眼病普查这一需求背景,本文主要实现了普查系统中的身份验证流程和青光眼辅助检测流程,具体的研究内容如下:1.利用定位网络的预测结果进行坏图检测和视盘中心点定位。定位网络利用现有的网络Faster RCNN的架构设计,主要是对特征提取网络进行了改动,增加了多尺度输入层,并且对区域候选网络的anchors的选择也进行了调整,因为视盘区域本身相对于整张眼底图比较小,改动后的网络更适合小物体检测。2.在身份验证流程中利用数学形态学方法增强眼底图中的血管,并且利用改进的FaceNet实现眼底图身份验证,在训练过程中增加分类单元,能更加快速有效的提取特征。经实验本文的身份验证方法在测试集上能达到97.5%的准确率。3.提出了针对眼底图片的预处理方法,通过对通道信息的分析,保留有效通道,并且利用已有的图像处理方法增大视杯视盘的清晰度和分辨率。4.设计了一种端到端的视杯视盘自动分割网络M-FCN。M-FCN在FCN上进行了基础网络结构的调整,增加了多尺度模型的设计,输入从单一的原始图片输入变成了多尺度的金字塔图像输入。本文通过实验证明了设计的M-FCN具有很强的可行性和优势性。