视网膜影像的处理与分析是医学图像处理的一个重要领域。在临床上,视网膜影像是眼科医生对眼底疾病诊断和治疗的重要依据,通过分析眼底图像中可能受影响的区域得到详细的筛查和诊断结果,医生利用这些结果就能够选择合适的治疗方案。然而,人工诊断的效果在很大程度上取决于医生的经验,容易出现误诊并且诊断过程耗时严重。因此采用科学方法分析视网膜影像是辅助医生正确诊断各种眼科疾病的重要环节。本文通过结合计算机辅助诊断与深度学习技术,提出了一种基于视网膜影像的智能辅助诊断方法,辅助医生对眼科疾病进行检查。对此,本文主要做了以下工作:在视网膜血管与病灶分割阶段,现有的血管与病灶分割算法存在准确度不足和灵敏度低的问题。本文在U-Net的基础上,提出了一种新的分割方法实现对血管和病灶的分割。该方法以DenseNet为基础网络,采用密集连接在编码部分进行特征的提取,在此基础上使用空洞卷积代替传统卷积来增大感受野,以便获取更多的血管与病灶信息。本文设计了跳跃连接模块,解决了因参数过多及最大池化带来的信息丢失问题。通过添加空间注意力机制模块对血管与病灶信息进行增强,抑制了其他无用信息。在实验中,本文提出的分割算法得到了准确度为96.13%,灵敏度为0.7798的结果;病灶分割算法得到了准确度为96.24%,灵敏度为0.7893的结果。在糖尿病病变分级阶段,本文将分割出来的血管和病灶图像进行眼底图像特征融合。采用改进ResNet为主干的双塔网络来提取原始图像和融合后图像的特征,利用融合单元将两侧提取的特征进行融合,并输出分类结果。本文在ResNet的基础上将传统卷积模块替换为金字塔卷积模块,提取到了不同尺度和深度的信息,同时也降低了计算复杂度和模型参数量。为了减少背景噪声的影响,本文将通道注意力机制与空间注意力机制相结合,在通道维度和空间维度都更关注有用的眼部信息。在实验中,本文提出的糖尿病病变分级方法得到的准确度为85.31%,损失为0.114。在视盘与视杯分割阶段,由于杯盘部分的亮度高,形状与眼部其它部位差异大,因此利用这些差异提取感兴趣区域。本文利用改进的Poly-Unet模型完成了眼底图像中杯盘结构的分割,改进了 PolyNet中的多项式模块,并引入分组卷积来降低模型的参数量。通过设计密集空洞空间金字塔池化,从而可以更有效地使用多种尺寸的信息,补充特征信息,解决了视盘与视杯特征丢失的问题。在实验中,本文提出的视盘与视杯分割方法的Dice系数为0.9119,IOU为0.8647,损失为0.0927,分割视盘的准确度为96.9%,视杯准确度为95.8%。在青光眼分类阶段,由于青光眼的公开数据集十分匮乏,因此本文提出一种基于迁移学习的青光眼分类方法。首先提取感兴趣区域,进行伽马增强处理和数据扩充,然后利用迁移学习获取VGG16预训练好的模型权重,不仅解决了青光眼数据集缺乏的问题,同时也节省了训练时间。在预训练模型前通过金字塔卷积提取不同尺度的特征,并将预训练模型最后3个全连接层改用1个全局平均池化层,训练参数大幅度减少。经实验验证,本文的青光眼诊断模型能够提高分类的准确度,得到的准确度为93.63%,损失为0.106。