目的：利用深度学习算法，建立适用于多种常见视盘病变的眼底图片自动检测模型，并验证其检测效能。
　　方法：本研究选取2012年8月至2019年6月在汕头大学?香港中文大学联合汕头国际眼科中心就诊患者的眼底图片，同时与厦门科宏眼科医院、新疆克拉玛依市独山子人民医院及门孜康藏医院合作获取部分眼底图片纳入数据库。本研究拟纳入9种常见视盘病变，分别为可疑青光眼性视神经病变、视神经萎缩、视盘肿瘤、视盘水肿、视盘牵拉、先天性视盘异常、视盘有髓神经纤维、病理性近视视盘、视盘血管异常。其中视盘水肿进一步分为假性视盘水肿和病理性的视盘水肿，病理性视盘水肿进一步分出视乳头水肿，视盘血管病变再细分出视盘新生血管类别。经过图片筛选及分级人工标注后，建立数据集，将其随机切割成训练集(80%)，验证集(10%)和测试集(10%)。利用深度学习算法，使用3种通用CNN模型(X-ception、Inception_V3、InceptionResnetV2)及其组合，建立起眼底图片视盘病变自动检测模型，验证其ROC曲线下面积(AUC)及AUC的95%可信区间、准确度、敏感度和特异度，并集成评估模型在眼底图片视盘多病变自动检测中的表现情况及使用价值。
　　结果：本研究共纳入13781人，20713张眼底图片。对于测试集，在9类视盘病变的识别，构建的集成模型总体的AUC界于0.9958到1之间,敏感度界于90.9%到100%之间,特异性界于98.4%到100%之间，准确率达到了98.3%到100%之间。在亚类识别中，模型总体的AUC界于0.9971到1之间,敏感度界于98.2%到100%之间,特异性界于99.4%到100%之间，准确率达到了98.3%到100%之间，展现出了良好的预测能力。X-ception、Inception_V3+InceptionResnetV2、InceptionResnetV2+Xception此3类CNN组合在九类病变中表现得较好，InceptionResnetV2及Inception_V3+InceptionResnetV2+Xception在亚类病变中表现得较好。同时我们使用了可视化技术解释模型的预测依据。
　　结论：本研究构建的使用眼底图片自动探测9种常见视盘病变及其亚类病变的深度学习算法模型有较高的AUC、准确度、敏感度及特异度。