光学相干断层扫描(OCT)是一种高分辨率、非侵入性成像方式,因为这些优点,其已成为最常用的眼科诊断成像技术之一。许多疾病可引起眼病,例糖尿病性黄斑水肿(DME)等均可能导致视网膜层的解剖结构变化,如果不进行治疗,这些疾病可能会导致眼睛失明。因此,监测患者视网膜层形态变化和液体积聚是很重要的,在这个问题中,视网膜层和液体区的分割是检测其变化的一个重要步骤。然而,手工分割通常是一个耗时且主观的过程,针对这个问题,研究者们提出了许多半自动化、自动化的分割方法。由于视网膜层的变形和液体的积聚,使得OCT图像中的视网膜层和液体区域分割是一项具有挑战性的任务。在此背景下,本文分别针对单独视网膜层分割和视网膜层与液体区联合分割提出了基于深度学习的分割算法。通常,OCT B扫描图像可能包含噪声,并且不同层之间的对比度可能不明显,此外,视网膜层变形的存在使得手工特征的设计变得困难。因此,针对带病变的视网膜层的分割,本文中第三章提出的方法使用深度残差网络来提取图像中具有辨别性的特征,并结合手工设计的特征作为图像特征最终特征,用其来训练一个计算效率高的结构化随机森林对视网膜层边缘和背景进行分类,最终结合最短路径来进行视网膜边界的精确定位。实验结果表明,此方法取得了良好的效果。针对视网膜层和液体区的联合分割问题,研究者们已经提出了很多基于机器学习的分割方法,它们都依赖于大量的像素级标注数据,但是采集大量图像数据比较简单而手工标注比较困难。本文第四章提出了一种新的半监督基于全卷积神经网络算法来分割视网膜OCT B扫描图像中的视网膜层和液体区域。本方法通过对抗性学习策略来利用无标签的数据,并用一个新的联合损失函数来进行优化。本方法在杜克大学公布的糖尿病黄斑水肿(DME)数据集与POne数据集上进行了研究,实验结果表明,鉴别网络和无标签数据的使用可以提高分割的性能,并且本方法比其它先进的OCT图像中的层和液体分割方法更有效。