随着现代社会的发展,眼病患者的数量呈现出一种不断增长的趋势。这势必会导致医生的负担也不断增加。因此,研究开发计算机辅助眼病诊断系统意义重大:一方面它可以辅助医生进行诊断,减轻医生负担,提高诊断效率;另一方面它可以为患者提供早期病变信息,从而做到及早发现及早治疗。在一个计算机辅助眼病诊断系统中,图像分类、分割及回归分析是其重要的功能组成部分。本文基于卷积神经网络,分别围绕这三个问题展开研究。针对分类问题,本文提出了一个代理辅助的视网膜光学相干断层扫描(Optical Coherence Tomography,OCT)图像分类算法,该算法通过代理图像实现数据的扩充和分类。具体的,该算法首先对图像进行降噪处理,接着基于降噪图像提取出前景掩模,并利用降噪图像和前景掩模生成大量原图的代理图像。然后利用代理图像训练卷积神经网络,并利用训练好的卷积神经网络对代理图像进行分类。原图的最终分类结果则由这些代理图像的分类结果的平均值决定。该算法在不同的数据库上进行了测试,并取得了十分有竞争力的结果。针对分割问题,本文结合卷积神经网络与参数主动轮廓模型间的优势,提出了一个梯度向量流网络分割算法。该算法利用梯度向量流作为参考训练卷积神经网络,接着利用训练好的卷积神经网络从原图像中导出一个外力,并利用该外力实现轮廓的初始化,最后该外力被整合到主动轮廓模型中,从而实现最终的目标边缘检测。该算法在不同的眼科医学图像分割任务中进行了测试,包括眼底彩照图像中的视盘分割以及OCT图像中的积液分割。此外,为了说明该算法的通用性,该算法也在超声图像中的胎头分割任务上进行了测试。大量的实验结果表明该算法是十分有效的。针对回归分析问题,本文利用卷积神经网络直接预测OCT图像中的新生脉络膜血管(Choroidal Neovascularization,CNV)的面积,并探讨了输入形态将会对网络的性能造成何种影响。本文收集了4060张B-scan图像对该问题展开了研究。研究发现,与分割法进行对比,直接法所得的结果是十分有竞争力的,尤其是对于那些难以准确分割的情况,分割法通常会失效,而直接法依旧可能会得到准确的预测结果。此外,该研究还发现当对CNV进行有效的增强时,网络的性能将得到提高;当输入中包含的信息达到一定量时,输入的具体形式对网络的性能影响不大,如用图像作为输入和用图像的方向梯度直方图作为输入时的性能差别不大,而用图像的直方图作为输入时,性能则会显著下降。这些发现可以为进一步改善网络的性能提供参考。总的来说,本文的研究对于促进计算机辅助眼病诊断系统的发展具有重要意义。针对分类问题,所提的代理辅助视网膜OCT图像分类算法可以对数据实现有效的扩充。针对分割问题,所提的梯度向量流网络分割算法可以有效整合卷积神经网络与参数主动轮廓模型间的优势,提高分割结果的准确率。针对回归分析问题,研究利用直接法对CNV面积进行预测,这将有助于促进直接法在CNV面积预测中的应用。