青光眼是一种不可逆的致盲性眼病,是导致失明的重要原因。青光眼确诊以后,临床上通常需要借助房角镜观察前房角（Anterior Chamber Angle,ACA）的内部结构以确定前房角等级,进而制定有针对性的治疗方案。目前,前房角的分级主要由医生人工判定,这主要存在以下问题:（1）诊断结论对医生个人经验和状态依赖较高,缺乏稳定性和一致性;（2）医生工作负荷高,诊疗效率低;（3）眼科专家资源有限且地区分布不均衡,许多不发达地区患者难以得到及时诊断。近年来,深度学习技术在医学图像分析领域方面取得了许多重要成果,借助深度学习技术实现前房角图像自动分级有效率高、结论稳定性和一致性好、可在不同地区推广应用等优势,在临床上具有重要价值,但尚存在以下几方面挑战:（1）Schwalbe线（Schwalbe line,SL）、小梁网（Trabecular Meshwork,TM）、巩膜突（Scleral Spur,SS）、睫状体带（Ciliary Body Band,CBB）等临床上用于确定前房角等级的四种重要结构在房角图像中分布不显著,结构之间区分困难;（2）文本形式的领域知识与前房角图像信息难以融合;（3）缺乏有关前房角图像分级的训练数据。针对上述挑战性问题及前房角图像的特点,本文借助机器学习中的弱监督学习、度量学习、属性学习,以及注意力机制等方法与技术,强化深度学习模型对房角图像重要特征和青光眼相关领域知识的学习、表示与融合能力,在此基础上,实现前房角图像的自动分级,为青光眼的临床诊断提供有效支撑。本文的主要贡献包括:（1）针对“SL、TM、SS和CBB等四种重要结构分布不显著,结构之间区分困难”的问题,提出一种基于弱监督度量学习的前房角图像分级方法GCNET,通过设计基于弱监督学习的辅助分割任务对SL、TM、SS、CBB进行分割,增强网络对局部重要特征的学习和表示能力,通过设计基于度量学习的嵌入模块提升网络对SL、TM、SS和CBB的区分能力,通过设计基于上下文聚合的交互式通信实现不同模块之间的知识共享。实验结果表明,GCNET分类精度为79.19%,优于VGG、Goog Le Net、Res Net、Fix Match、CCT、UPS等参考模型。（2）针对“文本形式的领域知识与前房角图像信息难以融合”的问题,提出一种基于视觉文本融合的前房角图像分级方法VTFNET。VTFNET借助弱监督度量学习、属性学习等技术设计视觉与文本学习分支,借助注意力机制以及通道拼接提高不同模态数据之间的关联性,实现特征融合。实验结果表明,VTFNET的分类精度为81.83%,优于GCNET。（3）构建了一个前房角图像数据集ACA999。ACA999共包含999张前房角图像,每张图像都标注了ACA分级信息。另外,有100张图像做了像素级标注,标注了SL、TM、SS,CBB和背景信息。