近年来眼科疾病患者数量不断增加,然而专业医生的稀缺以及偏远地区资源匮乏使得许多眼科疾病患者无法得到及时的诊断,错过最佳治疗时间。如何自动化分析与诊断眼科疾病成为亟待解决的问题。研究眼科疾病的两个重要方向是眼底图像血管分割以及眼科疾病分级诊断。因此本文研究并提出两种眼底血管结构自动分割算法以及基于多任务学习的白内障糖网病联合自动分级诊断算法。眼底图像中血管结构能够很大程度上反映诸如白内障、糖网病等眼科疾病。本文借助数字图像处理技术以及深度学习技术分别设计了一套血管分割算法。基于数字图像处理技术的血管分割算法,本文称为VFSeg,通过图像滤波、边缘提取、图像降噪等一系列处理,能够在无监督标签训练的情况下获得较为清晰的血管结构。基于深度可分离卷积的U型眼底血管分割网络,本文称为X-SegNet,采用编解码结构,利用注意力机制以及多尺度约束等模块,能够在有标签学习的情况下获得很好的分割结果。与U-Net相比,X-SegNet的计算量和参数量分别为其1/5以及1/3。在DRIVE,STARE和CHASE_DB1等公共数据集上,X-SegNet的分割指标也接近于现有的最佳算法。基于多任务学习的白内障糖网病联合诊断算法,通过整合白内障和糖网病数据集,能够利用一个网络区分这两种眼科疾病,并且通过不同分支获得各自的分级结果。实验结果表明该算法在白内障和糖网病的诊断准确率上比两个单一病种网络诊断准确率分别高2.5%以及5%左右,并且模型计算量小于两个单一病种诊断网络之和,证明了该算法能够将两个相关联任务进行迁移,缓解了医疗领域单一病种数据稀缺的问题,并且无需训练多个诊断网络,为多病种诊断提供了一个新的思路。同时网络可视化分析结果证明了网络分类的可靠性。