脉络膜新生血管（CNV）是老年性黄斑变性（AMD）的重要特征。基于光学相干断层扫描（SD-OCT）图像的自动CNV检测可以极大地帮助CNV临床诊断。随着深度学习的飞速发展,目标检测领域也取得了长足进步。本文针对现有目标检测模型应用到医学图像中的问题,结合SD-OCT图像和CNV病变的特性,开展使用深度学习对CNV进行高效精准检测的研究和应用,具体工作如下:（1）提出了基于特征融合和邻域传播的CNV检测模型。在YOLOv3的基础上,引入了传统特征融合原图构成网络输入,在增强SD-OCT图像的有效信息的同时解决了自然图像与医学图像通道不匹配的问题。根据CNV病变的聚类精度变化曲线,调整预设框聚类个数。提出邻域传播算法,降低了检测缺失率,改善了病变一致性问题。使用自优化策略训练模型,通过对高置信度测试样本的再学习,加强对较难样本的检测能力。在对比实验中,比较了各模型的平均精确度、召回率和缺失率等指标,论证了本章算法的有效性。（2）提出了角度独立回归的CNV检测模型,以精准预测具有斜长特性的CNV病变。在上一个模型的基础,通过在输出层引入独立回归量,以预测边界框的方向,解决了使用水平边界框预测长而倾斜的病变时,预测较大的边界框而导致病变区域比例小和诊断不准确的问题。为了适用于倾斜边界框,对模型的输入和损失函数进行了相应修改,并提出倾斜非最大抑制算法和一种新的Io U计算方法。对比预测水平框的目标检测模型,对实验结果进行定性分析和定量评估,系统地论述了所提算法的优势。（3）基于提出的CNV检测模型开发了CNV检测系统。使用封装技术对CNV检测模型进行封装,并提供了可调参数的应用程序接口。通过模块化的设计,对系统功能进行了结构性划分,简化了检测流程,便于临床和研究使用。使用自定义配置文件,将界面中的参数调整有效传递给后台算法,并实现了参数配置的复用。使用打包工具,对系统进行了发布,便于系统的传输。