糖尿病视网膜病变（DR）是临床常见的眼病,是导致全球失明的主要原因之一。随着我国人民生活水平的提高,糖尿病视网膜病变的发病致盲率明显增高,其严重影响着患者的视力功能和生活质量。糖尿病黄斑水肿（DME）是导致糖尿病患者视力损害的常见原因。糖尿病黄斑水肿（DME）的早期发现和监测对于治疗糖尿病视网膜病变,预防患者视力损伤具有积极意义。光学相干断层扫描（OCT）是一种无创和无接触的成像方法,可提供视网膜形态组织信息。临床上利用OCT图像对糖尿病黄斑水肿区域进行分割是眼科诊断一项必要的工作。然而,对黄斑水肿区域的人工注释受主观因素和密集型劳动影响出错率较高。故此,借助计算机等IT技术对黄斑水肿区域进行分割,提高医生诊断效率和准确率成为一种新趋势。本文在分析现有黄斑水肿分割方法的基础上,研究了利用深度学习的糖尿病黄斑水肿快速分割方法,具体内容包括:（1）提出了一种改进水平集的糖尿病黄斑水肿分割方法（DME-SBGFRLS）:针对OCT图像异质性、DME区域特征多样性以及DME区域边界的模糊性等特性,提出了一种改进水平集的糖尿病黄斑水肿分割方法（DME-SBGFRLS）,包括:1)基于K-means聚类算法实现OCT图像中黄斑水肿区域的粗分割,提高黄斑水肿分割的效率;2)以粗分割结果为初始曲线,利用水平集方法实现黄斑水肿区域的细分割。与现有水平集方法C-V（Chan-Vese）、GAC（Geodesic Active Contour）、SBGFRLS以及人工分割结果进行比较,结果表明,本文提出的DMESBGFRLS方法提高了分割效率和精度,其分割精度近似于人工分割结果。（2）构建了一种糖尿病黄斑水肿分割的神经网络模型（DME-Deep Lab）:利用DME-SBGFRLS方法实现了DME的高精度分割,为构建糖尿病黄斑水肿分割的神经网络模型提供了样本标注方法。为提高糖尿病黄斑水肿的分割效率,本文基于Deep Lab网络构建了糖尿病黄斑水肿分割的神经网络模型（DMEDeep Lab）,包括:1)利用小波变换实现OCT图像散斑噪声的去除;2)利用Deep Lab网络实现糖尿病黄斑水肿的粗分割;3)以糖尿病黄斑水肿的粗分割为输入,利用FC-CRF实现黄斑水肿的边界细化。与传统的分割方法,端到端分割模型以及手工标注的结果相比,结果表明,本模型提高了黄斑水肿区域分割的精度和效率,且模型的鲁棒性较强,有助于眼科医生对水肿区域的划分,提高DME诊断的效率。实验表明,本文提出的DME-SBGFRLS方法提高了的糖尿病黄斑水肿分割的精度;提出的DME-Deep Lab模型提高了糖尿病黄斑水肿分割精度的同时亦提高了分割的效率。研究成果有望提高糖尿病视网膜病变的筛查工作效率和准确度。