眼科疾病主要是指人体内的视觉系统内部发生病变,病变区域主要包含眼球及其周边相关部位。青光眼,作为众多眼科疾病中具有代表性的一种,是一种具有不可逆性的致盲性眼底疾病。青光眼患者早期并不会产生一些显著的生理性症状,一旦出现视力下降、视野缺失等症状时,患者的病情已经到了不可逆转的地步。在实际的诊疗中,眼科医生主要通过眼底照相机得到患者的彩色眼底图像,继而进行初步的检查工作。但是在青光眼患者的临床诊断中,只有具有丰富眼底经验的医生才可做出准确的判断,这样就会造成对于同一名眼疾患者的诊断不同的眼科医生可能存在较大差异的情况。因此,本文拟采用深度学习的相关技术和计算机视觉中的医学图像处理相关手段来辅助眼科医生进行大规模的眼底图像筛查。在青光眼病变眼底图像中,常常会表现出视神经乳头萎缩、视盘区域出现出血点、视盘视杯区域大小发生变化。因此,使用计算机系统实现青光眼病变眼底图像的视盘视杯分割及青光眼病变的分类,对于眼科医生后续对患者的进一步诊疗具有十分重要的意义。目前存在现有青光眼数据集匮乏、眼底图像中无关信息过多、对比度低等问题;现有的青光眼视盘视杯分割算法存在准确率不高、模型形变适应能力差、分割区域出错等问题;现有的青光眼疾病分类算法分类准确率不高、鲁棒性差等问题。为了克服上述的一系列问题,本文提出了一种基于改进U-Net++的青光眼视盘视杯分割方法和一种基于改进双模型融合的青光眼病变分类模型。（1）针对青光眼视盘视杯分割的训练数据集较为匮乏且原始眼底图像中无关信息过多,部分视盘视杯边缘存在噪点,视盘视杯区域与背景区域的对比度较低。本文对青光眼数据集中的眼底图像进行数据扩充以及一系列的针对性图像预处理操作。（2）针对目前青光眼视盘视杯分割精度不高、分割区域容易出现噪点、分割边缘粗糙等问题,本文设计了一种基于改进U-Net++的青光眼视盘视杯分割方法。通过引入可变卷积操作,增强模型对不同物体形变的适应能力;引入极坐标变换的预处理方法,较好地平衡了直角坐标系中视杯视盘比例不平衡的问题;引入一种注意力机制SE模块,使得模型减少对噪声区域和背景区域的关注权重,更加聚焦于感兴趣区域;还引入了一种基于Dice系数的多标签损失函数,较好地处理了眼底图像按像素分割时多标签和数据不平衡的问题。实验结果均表明本文提出的改进U-Net++网络模型视盘的Dice系数达到了0.9850,视杯的Dice系数达到了0.9253,预测杯盘比和实际标注杯盘比的差值仅为0.06158,有效地提升视盘视杯的分割精度,达到了预期的分割效果,并通过一系列的对比和消融实验证明了本文所提出的基于改进U-Net++的青光眼视盘视杯分割方法的有效性和先进性。（3）针对青光眼病变眼底图像分类准确率低等问题,本文提出了一种基于改进双模型融合的青光眼病变分类模型。该模型主要通过将两个深度学习模型分支Inceptionresnet-v2和Xception提取到的具有较大差异性的特征向量进行Concatenate操作拼接在一起,同时还引入了基于通道和空间的注意力机制模块CBAM,使模型可以进一步提升分类性能。经过一系列的消融和对比实验结果表明,基于改进双模型融合的青光眼病变分类模型XIR-Net2的分类准确率达到了93.7%、敏感度为93.2%和特异性为94.1%,验证了本文提出的模型结构的合理性和先进性。本文的研究主要目的是为了提升青光眼病变眼底图像诊疗的效率和可靠性,节省大量眼科医生的时间和精力,避免浪费相应的医疗资源,在某种程度上可以解决优质的医疗资源分布不均匀的问题。