视网膜积液是糖尿病性视网膜病变、视网膜静脉阻塞等多种眼底疾病在黄斑区的病理表现,主要包括内积液（Intra-Retinal Fluid,IRF）、下积液（Sub-Retinal Fluid,SRF）和色素上皮层脱离（Pigment Epithelial Detachment,PED）。光学相干断层扫描技术（Optical Coherence Tomography,OCT）能够以快速、无创的方式获得高分辨率视网膜三维图像,广泛应用于眼科临床检查。视网膜OCT图像中多类积液的联合分割对于相关眼底疾病的临床诊疗具有重要意义。由于OCT图像中的多类视网膜积液存在边界模糊、形状多变、类间差异小等问题,其联合分割具有很大的挑战性。本文的主要工作和创新总结如下:提出了一种基于上下文关注与融合的多类视网膜积液联合分割网络CAF-Net（Context Attention-and-Fusion Network）。为了解决编码器结构中存在的特征聚合无选择性问题,设计了一种上下文收缩编码（Context Shrinkage Encode,CSE）模块,嵌入各个编码器层,通过软阈值操作增强网络对含噪特征图提取关键信息的能力。为了解决编解码结构对多尺度信息提取能力低下问题,设计了一种上下文金字塔引导（Context Pyramid Guide,CPG）模块,嵌入编码器顶部,引导网络动态融合高级特征中的多尺度信息。采用基于多类交叉熵损失和指数对数Dice损失的联合损失函数优化网络的训练,较好解决类别不平衡以及小目标分割问题。提出了一种基于改进CAF-Net（Improved CAF-Net,ICAF-Net）的双阶段联合分割方案,结合积液类别以及空间位置等先验信息,进一步提升多类视网膜积液联合分割的性能。在第一阶段,采用U型编解码网络获取视网膜区域掩膜,生成视网膜相对距离图,与原视网膜OCT图像在通道维度上拼接作为ICAF-Net的输入,为其提供积液目标的空间位置先验信息。在第二阶段,将CAF-Net中的CPG模块扩展为上下文先验层（Context Prior Layer,CPL）得到改进的ICAF-Net,充分利用金标准生成的类别先验亲和力图对CPL生成的类别先验特征图进行深监督,使ICAF-Net在高级语义特征中学习到更多的类内一致性和类间差异性。本文采用MICCAI2017 RETOUCH挑战赛中提供的公开数据集对算法进行性能评估,此数据集一共由来自Cirrus、Spectralis和Topcon设备采集的70个三维视网膜OCT数据组成。CAF-Net与改进后的双阶段分割方案在平均Dice相似性系数（Dice Similarity Coefficient,DSC）、平均交并比（Intersection over Union,IoU）和整体准确率（Accuracy,Acc）上分别达到了 74.64%、62.08%、99.26%和 76.39%、64.03%、99.32%,表明本文提出的两种分割方法均能较好实现视网膜OCT图像中多类积液的联合分割。