青光眼和糖尿病性视网膜病变已成为导致人类视力受损和失明的主要原因之一。对于眼底病患者来说,定期的筛查和及时治疗非常重要,可以减缓疾病的发展,尽可能保留剩余视力。通过眼底相机拍摄的眼底图像包含了大量有效信息,是医生诊断眼底病的重要依据。目前临床上,眼底病的筛查主要通过眼科医生对眼底图进行分析与诊断,这不仅效率低并且对医生的技术水平要求较高。随着计算机和人工智能的发展,计算机辅助诊断系统越来越多的应用到临床诊断中,不仅可以减轻医生工作负担、提高诊断准确率,对于推动大规模的眼底普查也有重要意义。因此对眼底图进行精确的处理与分析有重要的临床意义和科研价值。本文利用图像处理技术和深度学习的方法,对眼底图中的青光眼进行识别,并对糖尿病视网膜病变的四种病灶进行检测与分割,为青光眼和糖网病的计算机辅助诊断系统的实现奠定基础。本文主要对以下几个方面进行研究:(1)针对青光眼分类问题,我们分析了不同数据集之间存在的域差异,提出了一种基于标签信息的条件对抗迁移学习方法来提高青光眼诊断。和大多数现有的只匹配不同域之间边缘分布的对抗迁移学习不同,我们匹配源领域和目标领域的标签分布。并在三个青光眼数据集上进行多组实验,实验证明了该方法在多个评估指标上具有有效性,说明了标签信息在迁移学习上起到很大作用。(2)糖网病病灶分割图像预处理阶段,提取了眼底图的绿色通道,通过中值滤波和对比度受限的自适应直方图均衡化算法(CLAHE)对图像进行去噪和增强处理。此外,由于在眼底图中视盘和病灶表现相似,我们对视盘结构检测并剔除,从而消除视盘对病灶分割的干扰,提高病灶区域的可检测性。(3)在糖网病病灶分割过程中,由于不同病灶在眼底图中尺寸不同,我们将U-Net网络与多尺度方法融合,提出了基于多尺度的病灶分割算法。多尺度的输入,有利于模型挖掘到全局的粗粒度特征和局部的细节特征,并将不同尺度的特征进行融合。我们在IDRiD数据集上进行多组实验,实验结果证明了该方法的有效性,说明了多尺度特征的融合有利于提高分割精度。