智能算法在眼科视光学中的应用非常广泛,但关于检测活体共聚焦图像睑板腺功能性障碍的技术很少,尤其关于深度学习辅助诊断其疾病类型的技术还未出现。因此,本课题研究应用一:提供了一种深度学习算法来区分睑板腺功能性障碍图像特征属于腺泡腔阻塞、腺体萎缩还是腺体导管正常。由于眼底屈光介质浑浊,导致光学相干断层扫描图像分辨率差,图像模糊不清,散射问题严重,而提高这类眼底图像质量的技术还尚不成熟。因此,本课题研究应用二:提供了一种重构光学相干断层扫描模糊图像的技术。本论文主要研究内容,结论与创新性包括:（1）对实验研究所需掌握基础理论和经典神经网络的算法进行推导、思考和阐述,具体内容见第二章。（2）使用眼科专业医务工作者标记的体内共聚焦图像来分别训练本研究搭建的Dense Net121、Dense Net169、Dense Net201这三种深度卷积网络模型。使用未经训练的1663张图像测试集分别测试模型,并与医学专家诊断结果进行比较。计算出模型的特异度和灵敏度去评价模型的性能,结果表明Dense Nets系列网络非常适合处理睑板腺图像,其中Dense Net169准确度最高,达97%以上。其对正常组检测的灵敏度和特异度分别为94.5%和92.6%。对阻塞组检测的灵敏度和特异度分别为88.8%和95.4%。对萎缩组检测的灵敏度和特异度分别为89.4%和98.4%。除此之外,通过混淆矩阵和受试者工作特性曲线来分析模型,研究发现模型的诊断结果显示出比较高的精度。此研究为睑板腺功能性障碍的自动检测和分类带来了新的方法,通过进一步发展,该模型将成为医护人员辅助诊断的有效工具,具体内容见第三章。（3）在2018年12月至2020年10月期间招募了210名受试者收集实验数据,提供了三种创新的数据模糊模拟方法,分别是滤光片衰减法,频域算法处理,像素点公式处理,然后将预处理后的眼底相干断层扫描图像数据去训练搭建好的生成对抗网络的衍生网络。最后使用目前比较权威的图像评价指标峰值信噪比和结构相似性评估模型性能,并用SPSS软件分析统计数据,得到Kruskal-Wallis检测数据组之间的差异值。通过对比数据集结果,发现数据模拟组中频域算法模拟测试组中模型修复的图像与标签图像的结构相似性和峰值信噪比均大于模糊图与标签图像的值,即22.9016±0.1881＞18.5778±0.4774;0.4834±0.0302＞-0.0051±0.0184,四组测试集的计算结果具有一定的统计意义,通过分析发现模型对图像质量的提高有比较显著的效果,该研究为生成对抗网络用于模糊图像的重建,进而达到临床应用增加了可行性,具体内容见第四章。