作为一种非接触式、高灵敏度的成像技术,光学相干断层扫描（Optical Coherence Tomography,OCT）技术被广泛应用于眼底病的检测。基于OCT图像的眼底病辅助诊断技术的研究也日益成为相关领域研究的热点。随着深度学习技术的发展,基于卷积神经网络的检测方法实现了对常见眼底病的分类和辅助诊断。然而由于需要依赖于大规模的病变样本用于网络模型的训练,对于发病率较低的疾病,该类方法难以实现对于发病率较低的眼底病的有效诊断。现有针对非特定眼底病的检测方法大多基于生成对抗网络实现,但其诊断的准确性和敏感性较低。基于上述问题,本文提出了一种基于认知不确定性的OCT图像眼底病异常检测方法——EMADM方法。异常检测方法基本原理为:训练一个网络模型用于学习正常OCT图像的特征。当带有病变的OCT图像作为测试数据输入时,检测模型输出结果与正常图像输出结果间的差异性,并将这种差异性作为判断输入数据是否异常的依据。在EMADM方法中,病灶与正常组织区域间的差异性由贝叶斯神经网络得到的不确定性预测结果量化计算。贝叶斯神经网络可以量化计算网络模型对其预测结果的不确定性。因此,本文利用其得到的认知不确定性结果作为EMADM方法异常检测的标准。方法的基本流程为:首先,使用健康人的眼底OCT图像作为训练集训练一个贝叶斯神经网络模型MBU-NET,用于学习并提取正常眼底OCT图像的特征。当带有病变的OCT图像输入时,由于病灶特征没有在训练阶段被学习提取,其病变区域会产生较高的不确定性。然后,通过本文设计并实现的层边缘不确定性过滤和不确定性图分割方法消除部分正常组织区域中产生的偶然不确定性对预测结果的影响。最后,本文设计了一个基于阈值的异常检测函数,输入数据的不确定性结果高于设定的阈值则判断为存在病变,否则预测为正常。本文通过设计相关对比实验验证了EMADM方法的有效性。实验结果表明EMADM方法在异常检测的准确性、敏感性和特异性指标上均优于现有异常检测算法。同时,其他相关实验证明了异常检测流程中各步骤均有助于方法整体性能的提升,验证了各个步骤的有效性和必要性。