随着人们生活质量的不断提高,近视眼的患病率也在逐年增加,其严重影响着人们的日常生活。目前对近视性相关疾病包括病理性近视的自动诊断以及屈光不正预测（验光）都需要医生人工完成,这无疑会给医生带来巨大的工作量,从而造成误诊、漏诊等事故发生。同时,在国内贫困地区,资深眼科医生缺乏,大型医疗器械不足的情况下,患者将很难被及时的诊断与预测,从而导致病情恶化最终失明。因此很有必要提出相关的自动诊断与预测方法,在不需要资深眼科医生以及大型医疗设备的情况下即可实现高效准确的诊断与预测。此外,眼底血管可以很好的反应近视性相关疾病的严重程度,并且血管分割在疾病诊断上起着至关重要的作用。因此本文主要针对病理性近视的自动诊断,近视性屈光不正的自动预测以及血管自动分割方法进行研究,主要研究内容如下:1.研究目前国内外对于眼部相关疾病自动诊断方法包括传统机器学习方法以及深度学习方法的实现原理。进一步,对目前现有的病理性近视自动诊断方法、近视性屈光不正预测方法以及眼底血管分割方法进行总结与分析。2.对病理性近视自动诊断方法进行研究。提出了一种视盘自动识别方法实现对超广角眼底图像的固定裁剪。此外,提出了一个名为SRM-SE-Dense Net的卷积神经网络,其结合SRM、和SE注意力机制来对神经网络提取出来的特征进行重新校正,提高网络的诊断性能。3.对近视性屈光不正预测方法进行研究。提出了一个名为AD-Block（Attention Dense）的神经网络模块,并以此搭建出MP-Net（Myopia Prediction Network）。该模块通过多个由残差连接与SE注意力结合的Res-SE-Block稠密堆叠而成。通过图像处理对超广角眼底图像进行处理之后使用MP-Net进行近视性屈光不正预测,最终得出等效球镜数值。4.对眼底血管分割方法进行研究。提出了一个名为MD-Net（Multi-Scale Dense Network）的卷积神经网络。该网络通过提出的残差空洞空间金字塔池化模块（Res-ASPP）提取增强信息流的血管多尺度信息。此外编码器中的多级特征被稠密连接到解码器中实现特征的充分利用,最小化信息丢失。最后SE-Block被嵌入在解码器中对稠密级联（Concatenation）后的特征重新校正,提高网络的分割性能。