青光眼是一种致盲率极高的眼底疾病,是影响我国视觉健康领域的一个重要公共卫生问题,其隐蔽性极高又不易治疗,因此早期诊断工作尤为重要。为了更好地辅助青光眼得到精准的筛查并减轻医生负担,本文基于机器学习技术提出了一套青光眼自动辅助诊断系统。具体内容包括:（1）图像预处理。首先,在RGB空间的红色通道提取掩膜对图像进行统一大小裁剪;然后,对裁剪后的图像进行均值滤波、高斯滤波和中值滤波效果的对比,选取中值滤波处理进行轮廓平滑和黑边去除;最后,在LAB空间的L通道对比不同图像增强方法,选取对比度受限直方图均衡化增强算法进行图像局部对比度增强。（2）视盘分割。首先,对匹配滤波、区域生长和大津阈值三种血管分割方法进行耗时性和准确性方面的对比并选取大津阈值法作为血管分割方法;然后,去除小连通域得到主要血管并对其进行细化操作;之后,利用卷积优化的定向局部对比度算法提取亮斑,得到视盘候选区;最后,对比霍夫圆变换、主动轮廓模型、形态学运算、中心点定位等四种分割方法,并选择霍夫圆变换作为本文方案的视盘分割方法。（3）视杯分割。基于已定位的视盘中心点,利用超像素分割、水平集迭代以及传统阈值法分别对视杯进行分割。综合对比消耗时间及专家标注效果吻合度,最终选择超像素分割作为本文方案的视杯分割方法。（4）青光眼分类。首先,计算杯盘比,并提取15个纹理特征;然后利用支持向量机、随机森林、K近邻算法和朴素贝叶斯算法对Drishti-GS1和REFUGE两个眼底图像库进行分类测试,综合灵敏度、准确率等指标后,选择支持向量机作为本文方案的分类器。为了验证所提出系统的有效性,本文对Drishti-GS1和REFUGE两个公开数据库从分类准确性、ROC曲线下面积、AUC值等方面进行了综合分析。测试结果表明,本文所形成的系统能够在保证敏感性的同时实现较高的青光眼诊断特异性,在分类准确性方面优于现有一些算法。