白内障病情的正确诊断是采取合理治疗对策的重要前提。然而日益增长的白内障患者使得医生的工作负担持续上升,难以持续高效地完成诊断工作。同时现有的人工诊断方法主观性强,容易引起诊断分歧。因此目前的白内障诊断流程迫切需要一种高效便捷、高精度的计算机辅助诊断方法。虽然以深度学习为代表的人工智能(AI)算法逐渐在图像领域大放异彩,但现有AI技术仍需要海量样本以提高准确率。而由于存在医疗资源匮乏所导致的白内障数据的低质量、规模小等问题,AI技术在白内障图像智能分级方面始终受到限制。同时深度网络庞大的计算量也使其在实际应用中难以推广。本文提出了一种基于深度学习的白内障病变图像分级方法,可以较好地实现裂隙灯白内障图像的病情分级判断和提供治疗建议的任务。基于本方法进一步实现了智能诊断软件平台,方便各级医院推广部署。结果表明本方法可有效解决低质量小样本数据所带来的影响,便于深度学习为代表的AI技术在计算机辅助诊断领域应用与推广。本文主要研究工作如下:(1)针对白内障病变特性,建立以图像分类为基础的分级模型。首先在原始图像数据上使用生成对抗网络和监督裁剪的方式完成样本质量的提升。然后提出一种阶段式微调方法,通过逐阶段地组合数据增强和迁移学习,稳定地提高模型在小样本数据上的训练效果。以ResNet为基础的分级模型在真实病变数据上达到了81.6%的分级平均精度均值(mAP)和96.5%治疗建议mAP。(2)为了排除非病灶区域对分级效果的影响,引入目标检测框架限制分级模型的关注区域。以原分级模型为基础进一步训练RetinaNet,并通过维度集群和多模型集成进行优化,将分级和治疗建议的mAP指标提升到了84.4%和97.5%。(3)为了减少深度网络模型复杂度以适应小样本学习,提出一种基于张量分解的模型结构优化方法。通过变分贝叶斯矩阵分解(VBMF)求解核张量的Tucker分解秩问题,在逐层分解和全网络微调后实现在精度性能损失5.5%的情况下达到21%的运算加速和76.6%的参数压缩。(4)为了便于辅助诊断方法的推广,进一步开发医学影像处理及智能诊断(MIPID)软件平台,实现了本文算法的移植并且满足低配置计算机的部署要求,最终在E5-2620机器上以2GB的内存空间达到每秒处理1.7个请求(RPS)的计算速度。