视网膜脱离和劈裂是导致高度近视患者视力丧失的主要并发症。根据视网膜劈裂在视网膜层中出现的位置,可分为外层劈裂、中层劈裂和内层劈裂。光学相干断层扫描（optical coherence tomography,OCT）具有无创性、成像速度快和分辨率高等优点,因此在眼科疾病的诊断中得到了广泛的应用。实现基于OCT图像的视网膜脱离和劈裂的全自动分割对高度近视患者疾病的临床诊断和后续治疗具有重要的意义。本文针对不同任务设置下的视网膜脱离和劈裂分割分别提出不同的算法方案。提出一种全局特征融合网络（Global Feature Fusion Network,GFF-Net）实现基于OCT图像的视网膜脱离和劈裂的三类分割（含背景）。为了使分割网络具有全局感受野,设计了一种交叉融合全局特征模块（Cross-Fusion Global Feature Module,CFGF）并加入到分割网络的底层。并在分割网络解码器层中加入深监督模块来提升深层语义信息对分割目标的关注。本文实验数据集为临床采集的133只高度近视患眼的共1596张二维OCT图像。GFF-Net分割结果优于其他先进分割网络,视网膜脱离和劈裂的Dice系数分别达到了 91.25%和90.23%。提出一种分类辅助分割网络（Classification-assisted Segmentation Network,CAS-Net）实现基于OCT图像的视网膜脱离和多类劈裂的五类分割（含背景）。分类网络用于辅助提升分割网络的类别鉴别能力,来减少不同病灶之间形态相似、像素灰度值相似和位置接近等特点带来的病灶区域类别错分的发生。为了提升网络感受野,设计了一种三维上下文信息感知模块（Three-dimensional Contextual Information Perception Module,TCIP）加到分割网络的底部。并设计一个类别损失函数使得分割网络能够获取更具有类别鉴别能力的特征。在本文实验数据集上,CAS-Net的分割结果优于其他先进分割网络,视网膜脱离、外层劈裂、中层劈裂和内层劈裂的Dice系数分别达到了 89.94%、90.35%、77.49%和76.49%。为了进一步提升五类分割的结果,设计一种双网络融合结构将上述GFF-Net和CAS-Net的分割结果融合,最终视网膜脱离、外层劈裂、中层劈裂和内层劈裂的Dice系数分别达到了 92.54%、91.01%、78.91%和 76.86%。总之,本文针对视网膜脱离和劈裂的三类分割和五类分割分别设计了两种深度学习网络,并且设计了一种双网络融合结构有效提升了五类分割的结果。实验结果表明针对不同分割任务提出的方法均具有较好的结果,对高度近视病变的诊断和治疗具有重要的意义。