视网膜动脉阻塞（RAO），是眼部血管发生病变引起的疾病。临床特征为突然一眼视力减退或丧失，时间很短，视力和视野缺损可部分恢复。视网膜中央动脉阻塞（CRAO）和视网膜分支动脉阻塞（BRAO）是RAO疾病的两种形式，具有最高的发生率，其阻塞程度和阻塞部位不同。对于视网膜动脉阻塞的不同类型，由于阻塞程度和疾病阶段不同，RAO患者的治疗存在相当大的差异。因此，早期诊断和分析对 RAO病人的治疗和恢复非常重要。本文主要研究基于视网膜三维光学相干断层成像（3D-OCT）图像的视网膜动脉阻塞的自动分类和分割问题。主要工作和贡献如下：　　首先，提出一个基于AdaBoost分类器的RAO的自动分类的方法，区分正常视网膜和视网膜动脉阻塞的4种类型——CRAO急性期、CRAO萎缩期、BRAO急性期和BRAO萎缩期。所用到的特征包括：局部二值模式（LBP）纹理特征，LBP形状特征和厚度模型。然后对特征进行降维，并用AdaBoost分类器进行分类。实验结果表明：该方法能够有效地分类RAO，并具有很高的分类正确率。　　其次，提出了一种基于图搜索-图割算法的BRAO急性期的分割方法。首先，用贝叶斯后验概率对图像进行粗略的初始化分割，然后基于初始化结果定位疾病区域，得到分割需要的目标种子点和背景点，最后基于图搜索-图割进行精确的分割。　　最后，提出一种基于厚度模型的方法来分割BRAO急性期的疾病区域。通过建立正常内视网膜厚度模型，用该模型作为阈值，从而分割出BRAO萎缩期的疾病区域。实验结果表明：本文提出的方法能够非常快速有效地分割BRAO的疾病区域。