眼眶淋巴瘤（Orbital Adnexal Lymphoma,OAL）和炎性假瘤（Idiopathic Orbital Inflammation,IOI）是眼眶最常见的两种淋巴组织增生性疾病。OAL是一种恶性眼眶肿瘤,发生率高达55%,其最佳治疗方法是局部放疗。IOI是一种特发性良性病变,约占眼眶疾病的10%,糖皮质激素治疗是目前公认首选的治疗方法。这两种疾病治疗方法的巨大不同使得区分二者极为迫切,但是二者在临床和影像学表现上极为相似,经常有重叠,临床上活检是鉴别二者的金标准,但它是一种具有已知并发症的侵袭性诊断,取决于准确的病变定位,尤其是眼眶前和视神经周围的病变,稍有不慎就会造成视力损伤甚至失明。因此建立一种无创的诊断方法对于鉴别OAL和IOI是非常迫切的,具有重要的临床意义。本文使用了基于影像组学的两种不同模型完成OAL和IOI的鉴别诊断,研究工作主要包括以下几点:（1）基于手工词袋特征鉴别OAL和IOI。针对现有方法具有一定的侵袭性和不能充分利用已有信息的情况,本研究在MRI图像上使用传统机器学习方法鉴别OAL和IOI。首先评估MRI图像的质量,丢弃不符合纳入标准的图像;然后医生手工标注感兴趣区域,并对训练样本数据进行数据扩增;随后将感兴趣区域划分成大小相同的像素块,对所有像素块均提取160个纹理特征,即手工特征;创建词袋（bag-of-features,BOF）模型,对全部的训练集像素块使用k-means++完成聚类,得到词袋特征;最后训练支持向量机（support vector machines,SVM）分类器并且对测试集数据进行鉴别。本研究在鉴别OAL和IOI性能上测试集AUC达到0.803（95%CI:0.725-0.880）,结果证明基于手工词袋特征的模型在区分OAL和IOI患者中具有一定的有效性和可行性,相比于活检和传统方法,本方法不具有侵袭性且充分利用已有图像信息,有较高的临床辅助诊断潜力。（2）基于深度多模态鉴别OAL和IOI。针对多模态数据越来越丰富且可能会提供各个模态互补信息的情况,本研究基于深度学习方法,融合多模态MRI数据鉴别OAL和IOI。首先评估所有患者的图像,丢弃缺失必要信息的患者所对应的全部图像;其次将T1对比加权（T1-weighted contrast image,T1WI+C）数据上分割得到的感兴趣区域直接映射到T1加权像（T1-weighted image,T1WI）和T2加权像（T2-weighted image,T2WI）上,减少手动分割的误差;然后预训练各个模态的卷积神经网络得到初始化参数;随后利用初始化参数和标签提取深度特征,并加入互表达模块融合不同模态特征,对融合后的特征做谱聚类得到最终的分类特征;最后使用逻辑回归分类器完成分类。本研究在鉴别OAL和IOI上测试集AUC达到0.835（95%CI:0.812-0.853）,结果证明基于深度学习的多模态数据融合可以提供互补信息和一致信息,为鉴别OAL和IOI提供了新思路。