眼底图像由专用眼底相机拍摄得到,包括视网膜血管组织、视盘视杯、黄斑等主要结构,是广泛应用于辅助医疗诊断的一种医学图像。在临床上,眼底图像上的视盘视杯组织的位置和大小可以辅助眼科医生诊断青光眼,观察黄斑的变化可以提前预测老年性黄斑病变,而糖尿病视网膜病变则可以通过观察眼底图像上是否出现硬性渗出物以及其他渗出物来辅助判断,通过观察视网膜血管结构也可以辅助医生诊断一些全身性的心血管疾病。因此,为使眼底图像更好地辅助医疗诊断,本课题围绕眼底图像的评价和分割方法做了以下三个方面的研究:（1）提出一种基于血管分割的视网膜图像无参考质量评价方法,研究不同失真类型和不同失真程度对血管分割的影响。首先构建了一个数据库,并将每幅失真图像对应的血管分割精确度作为该图像的标签;其次提取视网膜图像的像素值统计特征、图像纹理特征以及血管形状特征组成特征向量;最后根据特征向量采用回归方法得到最终视网膜图像的质量。（2）提出一种基于超像素分割的视网膜视杯视盘联合分割方法。首先,提取感兴趣区域,即裁剪出包含视盘区域的矩形框,然后采用多尺度超像素分割的方式将感兴趣区域分割为不同的超像素块;其次,根据视盘颜色和空间结构的特征,对每一个超像素块提取颜色通道和空间等特征组成特征向量,超像素块分类为视盘块和非视盘块,使用一些后处理技术将视盘区域分割出来;再次,在视盘分割的基础上去除非视盘区域,对图像做血管擦除处理以减少血管的影响,采用模糊C均值聚类的方法将视杯粗分割出来,最后通过一些后处理技术对视杯进行精分割处理得到最终结果。（3）基于结构化学习算法提出一种血管组织、视盘结构和硬性渗出物病变组织的自动分割方法。首先提取感兴趣区域,即分别提取出血管、视盘以及硬性渗出物结构的感兴趣区域,以减少分割过程中的干扰;其次,分别根据血管、视盘以及硬性渗出物的结构特点,提取这三类结构的特征,然后根据这些特征分别训练三类结构的分类器模型,基于对应的模型实现结构的边缘映射;最后,根据不同结构采用对应的后处理方法得到最终的分割结果。