眼科疾病是人体眼睛部位发生的一类病变的统称,它长期损害视力健康,对人们的正常生活工作造成了很大的影响。临床上眼科医生使用眼底图像等检查手段,对眼睛的健康状况进行全面分析,并依据自身专业知识判断患者所患眼科疾病的类型。基于眼底图像的计算机辅助诊断模型逐渐被应用于眼科疾病自动化分类中,这些自动化诊断模型使用预定义特征或者由卷积神经网络训练出来的隐藏特征。但是目前的分类模型大多只针对单种眼科疾病,很少有针对多种疾病的分类模型。本文基于深度学习领域的卷积神经网络,针对多种眼底疾病设计多分类模型,并融合领域知识,提出了多任务的眼科疾病分类模型。本文的具体工作如下:(1)使用深度卷积神经网络(Deep Convolution Neural Network,DCNN)构建眼科疾病的多分类模型,实现对白内障、青光眼和糖尿病视网膜病变的眼底图像自动化检测。通过实验对比表明,与传统的特征提取方法相比,深度卷积神经网络在特征提取方面更具有优势。(2)构建融合领域知识的眼科疾病分类模型。从眼科诊断报告中提取领域知识,融入基于DCNN的眼科疾病分类模型中,构建了具有三个分支的眼科疾病分类模型。实验结果证明,无论是在单种疾病还是多种疾病上,融合领域知识后的DCNN分类模型,其分类性能都有所提高。(3)构建多任务眼科疾病分类模型。将领域知识作为待提取的特征,设计新的DCNN分支从眼底图像中提取领域特征,再将该特征用于眼科疾病的分类。针对眼科疾病的多标签特点,修改了网络结构以适应多标签分类的任务需求。实验结果表明,多任务眼科疾病分类模型能够在保证眼科疾病分类效果的同时,实现对领域知识的提取任务。