眼底影像中能够观察到的视杯、视盘以及视网膜中央动静脉等眼底组织,为眼科疾病、糖尿病和心脑血管等相关疾病的早期筛查和诊断提供了重要依据。这类疾病在人体患病初期通常无明显症状,但患者的眼底组织可能呈现出不同程度的病变。例如,青光眼通常会导致视盘萎缩及凹陷;高血压视网膜病变的早期临床表现为视网膜动脉硬化;糖尿病视网膜病变的早期临床表现包括视网膜出血、微动脉瘤形成等。不难发现,大多数眼部病变都与眼底组织结构密切相关。在眼科诊疗中,临床眼科医生通过眼底图像可以对患者的眼部健康状况进行评估和诊断。然而,在面对巨量的眼底图像的评估和诊断需求时,人工检测速度慢、可重复性差、劳动强度大等缺点显现无疑。因此,研究和发展智能自动化的眼底图像处理方法,对于眼科疾病及相关疾病的早期筛查、治疗监控及术后估计具有重要临床意义。本文正是在这一背景下,以有助于临床诊断和治疗为前提,实现计算机自动化辅助诊断为目标,从理论与应用两个方面,对眼底图像中视杯及视盘的联合分割方法、视网膜血管分割方法以及视网膜血管网络的层次划分方法进行了深入的研究。本文的主要贡献和创新如下:1.提出一种杯-盘联合分割网络模型（CDJS-Net）。该模型将卷积神经网络与生成式对抗网络相结合,对眼底图像中的视杯及视盘进行联合分割。通过对模型中相关参数的判别、反馈、优化和调整,使得模型实现了自主学习和优化。在公开数据集上进行的实验和分析表明,CDJS-Net在视盘上的分割性能要优于已有的分割模型。2.提出一种多尺度迭代聚合U网络模型（MIA-UNet）。对于视网膜血管的分割,该模型重新定义和设计了U网络中编码器和解码器之间的互连,以及解码器子网络之间的内部连接,使得全尺度语义特征的聚合成为可能。在三个公开数据集上进行的实验分析表明,MIA-UNet要优于已有的视网膜血管分割模型。3.提出一种视网膜血管网络层次结构划分的可执行框架（HDF-RVN）。该框架由三个阶段组成:在第一阶段,对眼底图像中的视网膜血管和视盘进行分割;在第二阶段,从分割的视网膜血管中提取和生成血管树形图;在第三阶段,对血管分叉点的层次特征进行分类,从而实现视网膜血管网络的层次划分。在两个公开数据集上进行的实验和分析表明了所提出的层次划分框架的可执行性。