眼球图像处理技术能帮助医生诊断许多眼部疾病,例如青光眼和白内障。眼部早期病变的发现通常可以使患者得到及时的治疗,从而避免造成永久性的视力损失。近年来,深度学习技术在图像分类与图像分割等任务上取得了丰硕的成果,如何使用深度学习进一步提高眼球图像处理的效果成为一个研究热点。本文主要研究基于深度学习的眼球图像分割,包括眼底图下的视杯视盘分割、血管分割和眼前结图像分割。眼球图像分割有很多的挑战:1)眼底图背景信息复杂,视杯和视盘的形状难以准确分割;2)眼底图像中的先验知识难以有效利用;3)眼底图像中的对比度低,边缘信息弱,影响了分割的效果;4)深度学习分割的结果可能不符合医学认知。针对上述挑战,本文采取的研究方案如下:1)针对视杯和视盘的形状难以准确分割问题,本文提出了一种基于Mask-RCNN的网络同时定位与分割视杯和视盘。本文方法利用基于分割的候选区域网络（Region Proposal Network,RPN）提高视杯视盘区域定位的准确性,并设计了一个金字塔Ro IAlign模块通过融合多级信息来提高深度特征的区分能力,最后充分利用视杯视盘的相对关系对视杯和视盘同时进行分割。实验结果表明,该方法能有效定位视杯和视盘区域,并提高分割的精度。2)针对眼底图像中的先验知识难以有效利用问题,本文提出把深度学习与水平集方法结合并用于视杯和视盘分割。通过将神经网络的输出视为一个水平集,就可以限制神经网络的分割结果满足特定先验形状。为了使网络预测满足需求的水平集,本文设计了基于水平集的损失函数并加入了长度约束和区域约束。长度约束可以使分割边界趋于平滑,而区域约束可以使预测区域内的响应趋于一致。实验结果表明,该方法能有效加入先验知识,并提高视杯和视盘的分割精度。3)针对眼底图像对比度低,边缘信息弱导致难以分割的问题,本文提出多信息融合策略,包括多尺度融合,特征融合和分类器融合来进行血管分割。多尺度融合策略能够分割不同尺度的血管,特征融合策略把深度特征与传统血管增强滤波器提取的特征融合到一起,并可以恢复由于下采样操作而导致的边缘信息丢失,分类器融合策略给网络提供了额外的监督信息。本文还提出融合导向滤波器的神经网络进行血管分割。网络从导向图中获取边缘信息,以恢复由下采样操作而导致的边缘信息损失,此外,导向滤波器模块还降低了噪声对图像的影响。实验结果表明,本文提出的方法可以有效在低对比度区域内分割弱边缘信息的小血管。4)针对深度网络分割结果可能不符合医学认知问题,本文设计了一个形状模板对深度网络分割的结果进行精调。本文使用U形网络预测眼前结图像中晶状体皮质层和晶状体核的初始蒙版,并基于晶状体核的生理结构设计了一个形状模板,以精调晶状体核的边界。实验结果表明,精调能提高分割的准确率,并且精调后的晶状体核的边界满足医学认知中晶状体核的生理结构。