白内障是致使视力受到损害的主要原因,也是导致失明的严重眼科疾病之一,且白内障疾病发病率较高。但在偏远地区,基层医疗机构的专业眼科人才极度缺乏,无法诊断各类眼科疾病。运用人工智能的方式辅助医生检测白内障,搭建远程白内障超声影像诊断系统,能够有效缓解因诊断不及时,就医困难等原因引发的严重后果。近年来,基于深度学习（Deep Learning,DL）方法的自动化系统显著提高了白内障的检测。然而,白内障自动检测系统的普及还面临着两个挑战。一方面,之前基于DL的系统依赖于高质量的图像,例如裂隙灯和视网膜图像。而高质量的图像意味着昂贵的设备,这并不适合只有B超设备的基层医院。另一方面,基于DL模型的训练需要大规模标记数据,而这些数据很难获得。所以在本项目中,我们构建白内障超声波数据集;研究基于神经网络的白内障智能诊断模型与算法;并研发白内障辅助诊断平台。通过该项目,用于解决偏远地区的基层医疗机构专业眼科医生严重缺乏的问题,提高患者眼部疾病筛查和诊断的效率。其中,本文的主要工作是:（1）提出了一种基于B超图像的协同监测深度学习（CMDL）方法来检测白内障。此外,我们还引入了协同训练模式来改进所提模型的泛化。具体来说,我们首先利用目标检测网络来检测聚焦区域,即眼球和晶状体。然后分别提取眼球和晶状体的深度、纹理和形状特征。将两个关键区域的这三个特征分别进行融合,得到综合信息。最后,对眼球和晶状体的融合特征对进行拼接,进行白内障检测。利用协同损失来区分眼球和晶状体是否属于同一类别,提高了识别效果,缓解了模型过拟合问题。在白内障检测中,本数据集的实验结果说明了该CMDL方法的有效性。（2）收集了一个眼部B超图像数据集。通过对DICOM格式原始医学数据进行脱敏、标注等处理方法收集包括3621只正常眼睛和12322只白内障眼睛的B超图像。（3）部署了一个白内障辅助诊断系统。在腾讯云服务器平台上搭建了白内障辅助诊断系统,并使用网页页面形式作为展示和试用。