利用光学相干层析成像(OCT)获得视网膜图像并对其进行分层，进而获得各视网膜层的厚度，在许多眼科疾病的临床诊断中具有重要作用。高散斑噪声、低图像对比度、存在血管等复杂结构等因素使得对视网膜的精确分层难以实现。提出了一种视网膜OCT图像的自动分层方法，利用三维块匹配和均值滤波去噪对图像进行预处理，分两步对视网膜图像分层，在每个A扫描上设置可变阈值进行逐层分割作为初步分层结果，然后对各层的初步分层结果进行连续性和完整性判断和修正。对健康和患病视网膜的OCT图像进行分层以验证提出方法的有效性。实验结果

光相干层析技术(OCT)是近来发展起来的成像技术, 利用光相干层析技术可以得到清晰的视网膜以及黄斑区的层析图。主要论述了在开发视网膜光相干层析图像识别和临床诊断系统中采用的图像预处理方法。利用图像分割、图像增强等处理技术, 实现了图像的自动边缘检测与轮廓提取。通过对视网膜光相干层析图像进行预处理, 为进一步的图像识别与分析打下了良好的基础。对黄斑囊样水肿、黄斑裂孔以及正常的视网膜光相干层析图像进行了实验, 均取得了较好的效果。

眼底视网膜病变是大部分眼科疾病的来源。光学相干层析成像（OCT）具有无创性、成像安全快速等特点，在临床上被广泛用于眼科疾病的诊断。针对OCT视网膜三维图像因抖动产生的扭曲变形问题，提出一种基于曲线拟合的OCT视网膜三维重建图像去抖动方法，即通过预处理提取OCT视网膜图像的边界，再利用最小二乘法曲线拟合来计算各帧切片图像的偏移量。结果表明：所提方法对OCT视网膜三维重建图像扭曲变形具有明显的校正作用。

针对光学相干层析视网膜图像进行人工分类诊断时存在漏检、效率低等问题,提出一种基于深度学习技术构建联合多层特征的卷积神经网络分类算法。首先通过均值漂移和数据归一化算法对视网膜图像进行预处理,并结合损失函数加权算法解决数据不平衡问题;其次使用轻量深度可分离卷积替代普通卷积层,降低模型参数量,采用全局平均池化替换全连接层,增加空间鲁棒性,并联合不同卷积层构建特征融合层,加强层间特征流通;最后使用SoftMax分类器进行图像分类。实验结果表明,该模型在准确率、精确率、召回率上分别达到97%、95%、97