青光眼是世界首位的不可逆性致盲眼病,主要分为开角型和闭角型两类。与开角型青光眼相比,闭角型青光眼视觉损害性更强,其前房角解剖结构异常,可引起眼压升高,逐渐导致青光眼性视神经病变,最终导致视力障碍和失明。眼前节光学相干断层成像（Anterior Segment Optical Coherence Tomography,AS-OCT）技术提供了一种快速、非接触的方法来区分房角闭合和开放。巩膜骨刺（Scleral Spur,SS）是角膜后曲率和巩膜曲率的连接点,SS点的识别是临床实践中评估前房角的基本步骤。研究SS点自动定位与开/闭角自动分类算法对提高青光眼诊断效率和准确性具有重要意义。基于此,本文的主要工作和创新点包括:提出了一种基于高斯热力图回归与深度强化学习的两阶段SS点自动定位算法。初步定位阶段将定位问题转化为像素级回归问题,首先根据SS点的坐标值生成高斯热力图来训练定位网络Res-LinkNet,将网络预测输出的概率图峰值位置作为SS点的坐标。优化定位阶段引入感知策略学习技术,采用深度强化学习中基于价值函数的方法,以最大化累计奖励为目标训练一个深度双Q网络（Double Deep Q Network,DDQN）驱动的定位代理,搜索从初步定位坐标到真实坐标之间的最优路径。该定位框架在闭角型青光眼评估挑战赛（Angle closure Glaucoma Evaluation Challenge,AGE）公开的含1600张AS-OCT图像的数据集上进行评估,初步定位阶段的平均欧氏距离为13.20μm,优化定位阶段为11.99μm。基于SS点的自动定位提取了前房角感兴趣区域,提出了三种开/闭角型青光眼分类方法:基于临床特征的分类、基于传统视觉特征的分类和深度学习分类。第一种方法计算前房宽度、前房深度、房角开放距离等五项相关临床指标,采用支持向量机进行分类。第二种方法提取方向梯度直方图（Histogram of Oriented Gradient,HOG）特征,采用支持向量机进行分类。第三种方法采用嵌入压缩和激励（Squeeze-and-Excitation,SE）模块的 ResNet18（SE-ResNet18）作为分类网络,通过引入特征通道注意力机制对特征通道进行加权,以更好的进行信息利用。实验结果显示,基于SE-ResNet18的分类模型取得了最优的分类性能,平衡准确率（Balanced Accuracy）、灵敏度（Sensitivity）和特异度（Specificity）分别达到 98.97%、99.61%和 98.33%。本文提出的基于深度学习和深度强化学习方法的巩膜骨刺点自动定位,以及基于定位结果进行开/闭角型青光眼分类方法,能为眼科医生提供高效、准确的临床诊断辅助。