光学相干断层成像（OCT）是一种非接触式的无损的生物组织三维成像技术,其组织成像分辨率可以达到微米级别,具有明显的高分辨率成像优势。由于视网膜是人体很重要且敏感的薄层组织,因此具有高分辨率、安全可靠且无需注入造影剂的OCT成像技术非常适用于视网膜成像,目前已经成为眼科临床医学上最常用的视网膜疾病诊断成像技术之一。人眼视网膜相关疾病如糖尿病视网膜病变往往会伴随视网膜组织形态的变化,因此对视网膜OCT图像进行形态学处理如分层分割能为眼科视网膜疾病诊断提供定位和厚度等重要的数据信息,是OCT眼科图像处理和分析的关键技术之一。然而,传统手动的视网膜OCT图像分层分割任务繁琐且单调乏味,因此学者们致力于开发自动的计算机分层分割方法。目前基于主动轮廓、最短路径搜索、图论及深度学习等图像处理技术对视网膜OCT图像进行分层分割最为常见,在正常视网膜图像上取得了较好的分割性能,但是在病变的视网膜OCT图像上表现一般,仍需进一步开发具有更好分割性能的算法。为了增强OCT图像分层分割方法的抗噪声、抗模糊干扰能力和提高分层分割精度,本文提出了一种带有层密集块的U型神经网络（LDU）方法,结合简化的最短路径搜索方法对视网膜OCT图像三条层边界进行精确的分层分割。该方法是在U-Net方法的基础上引入图像特征信息重用的层密集块,提取出更有效的图像多尺度特征,从而提高视网膜OCT图像的分层分割精度。使用杜克大学两层视网膜数据集进行训练和验证,结果发现LDU方法与其他两个流行的分割方法在正常眼视网膜OCT图像测试集上的无符号层边界表面平均分割误差分别为0.41±0.61像素、0.50±0.65像素和0.78±0.83像素,在老年性黄斑变性（AMD）病眼测试数据集上分别为1.03±0.72像素、2.17±0.84像素和2.39±1.30像素。实验结果表明LDU可提升人眼特别是AMD病眼视网膜OCT图像分层分割的性能。为了实现视网膜OCT图像多层边界线的自动分割,本文进一步提出了一种基于LDU和卷积神经网络（CNN）的双网络结构全拓扑层边界自动分层分割方法（LDC＿Net）。该方法是基于深度学习的端到端的分层分割方法,自动化程度更高,学习能力更强,可以自动提取连续的、光滑的、准确的视网膜OCT图像多层边界。LDC＿Net网络结构由分类c＿LDU网络和边界回归r＿CNN两部分组成,c＿LDU网络通过学习视网膜OCT图像的纹理信息特征和位置信息特征完成对像素的类别概率预测,r＿CNN网络通过像素分类概率图自动学习层边界的位置信息,完成层边界的位置预测,最后通过边界提取块和拓扑块完成多层边界的分割任务。本方法在霍普金斯大学八层视网膜OCT图像数据集上进行训练和测试,与其他三种流行分割方法进行比较,结果显示LDC＿Net中取得最好的无符号层边界表面平均分割误差（0.81±0.90像素）,相对于第二名方法性能提升了44.8%。同时LDC＿Net方法在层边界分割均方根误差上同样取得最好的成绩（0.64±0.63像素）,比第二名提高了0.32±0.59像素。实验结果表明,LDC＿Net可以实现视网膜OCT图像的八层自动分割任务,并且分割性能显著,可以获得连续、光滑的视网膜层边界。综上,本文从提升现有视网膜OCT图像分层分割性能方面展开课题研究,逐步提出了两种基于密集块U型网络的视网膜OCT图像分层分割方法。特别是第二种方法完成了基于全神经网络的端到端的视网膜OCT图像分层分割任务,获得较好的层分割结果,可以为眼科医生的疾病诊断提供更加准确的定量化信息,有潜力成为临床医学辅助诊断的新方法。