光学相干断层扫描（Optical Coherence Tomography,OCT）技术为眼科临床诊断提供了便捷、高效的方法,基于深度学习的OCT图像目标检测算法对眼底疾病的自动化辅助诊断起到了重要作用,是当前研究和应用的热点。在算法实际应用过程中,由于医疗资源地区差异性大,OCT设备的种类、型号不统一,而不同设备的图像风格不一,使得算法实际测试数据和模型训练数据存在较大的域偏移问题,极大的影响了检测精度。因此基于域自适应的眼底疾病检测算法对适应不同域的OCT图像并进行有效检测具有积极意义。本文针对OCT影像数据,首先提出基于注意力机制的Domain Adaptive Faster R-CNN（DAFasterR-CNN）域自适应眼底疾病检测模型,通过Faster R-CNN网络进行目标定位和检测训练,通过实例级与图片级的域自适应训练对源域数据和目标域数据进行特征迁移学习。将位置注意力模块（Position Attention Module,PAM）嵌入主干网络以提高目标检测的特征选择和表示能力,加深模型对于长距离信息的理解与提取;其次提出基于“分类别域对齐”思想改进实例级域自适应模块,增设对目标域的目标框进行分类与回归训练的全监督模式,并且设计了在目标框分类与回归阶段对每个不同的眼底病灶类别做单独的域对齐,进一步提高特征迁移的效果和病灶类别的区分能力。算法最终实现16种眼底疾病的域自适应检测功能。本文以人工智能影像分析的实际应用为落脚点,针对部分落后地区医院的医生诊断能力不强、数量不足的问题,提出了搭载人工智能算法的云端系统,实现医疗流程智能化、规范化。通过容器化技术Docker和容器编排平台（Kubernetes,K8s）将基于域自适应的眼底疾病检测算法应用在云平台进行统一的容器化部署与维护。通过跨平台桌面应用Electron-Vue和Spring-boot接口服务实现图像的远程上传功能,部署在云平台容器内的算法应用对图像进行自动化的分析处理与结果存储。本文在共计1590张二维OCT图像上进行算法的结果验证与性能评估,通过位置注意力机制和“分类别域对齐”思想改进后的最终方案在16种病灶类别精准度的平均值（mean Average Precision,mAP）上达到了 49.3%,优于 Faster R-CNN 网络的结果（30.5%）,其中方案在玻璃膜疣（Drusen）的AP值上达到了 72.4%,高于Faster R-CNN网络的结果（52.9%）;云端系统通过实例测试,不同功能模块的开发均达到了最初系统设计的目标和需求,具备良好的稳定性和易用性。