青光眼是常见的致盲眼科疾病之一,其对视力的损害是不可逆的,若患者不能及时诊断治疗就会有失明的风险。青光眼检测指标的准确度直接影响诊断的结果,临床中主要依赖专业眼科医生的诊断经验,面对日益增多的眼底图像,会出现效率低、重现性差、标准不一等问题,因此发展用于青光眼检测的自动化方法成为必然趋势。目前,青光眼自动检测的方法主要分为两类,一种是基于图像特征直接分类的方法,另一种是通过分割图像中视杯视盘区域,进而计算杯盘比的分割方法。两种方法从不同角度为切入点来解决青光眼的检测问题。随着人工智能技术的快速发展和深度神经网络的成熟,越来越多的研究者将目光投向于深度神经网络在医学图像方面的应用。本文的研究重点是采用深度卷积神经网络,探究青光眼自动检测的方法。基于深度卷积神经网络的图像分类方法在各种任务中均有良好表现,本文将深度卷积神经网络用于青光眼分类任务。基于特征提取直接分类的青光眼检测方法的核心问题在于:网络能否提取到最具辨别力的青光眼分类特征。最具辨别力的青光眼分类特征包含在视神经乳头这个关键区域内,而关键区域在整个眼底图中占比非常小,约3%左右,并且该区域还会受到血管、视神经等干扰信息的影响。针对青光眼分类的特点,需要网络快速准确定位关键区域,强化区域内的信息、抑制其他无关信息,提取最具辨别力的青光眼分类特征。基于成熟的图像分类网络Res Net50,改进其网络的结构,通过引入注意力机制,使其快速准确的定位到关键区域,强化区域内的信息、抑制其他无关信息。通过引入分组卷积构建模块,在不增加网络参数的情况下增强网络的特征提取能力。在公开的REFUGE数据集上大量的实验结果表明,改进的Res Net50网络实现了青光眼的准确分类,其准确率、敏感度和特异度分别达到了95.2%、95.6%和94.3%。杯盘比是青光眼检测过程中的重要指标,若想得到准确的杯盘比就需要对视杯视盘进行准确分割,这也是青光眼分割方法的关键。临床上多是采用手工方法对视杯视盘进行分割来计算杯盘比,其精度与效率难以保证。因此开发一种高效、准确的自动化视杯视盘分割系统迫在眉睫。现有方法存在不同层次特征融合不充分、视杯分割精度不高的问题。为解决以上问题,提出一种名为R2RADF-net的深度神经网络,通过充分挖掘编码在不同层级的互补信息,能够对眼底图片中的视杯视盘区域联合分割。此外引入多尺度输入的结构使网络能够获得不同大小的感受野,并结合递归残差卷积模块提升联合分割的性能。在公开的REFUGE数据集上大量的实验结果表明,该方法实现了对视盘视杯的准确分割,其视杯的重叠误差和视杯视盘的平衡精度分别为0.088、0.967和0.960。