根据数据资料显示,一些常见的眼科疾病都可以利用眼底图像的形式观察检测到,白内障就是其中一种常见性的眼科疾病。本文主要利用机器学习算法中的图像识别技术,对白内障眼底图像进行诊断识别,提出了能充分利用无标签的眼底图像数据进行半监督学习,从而提升模型在测试集上准确率的半监督学习算法。本文提出的基于半监督学习的白内障眼底图像自动分类标注系统对降低医疗成本,缓解短缺的医生资源以及提升白内障疾病的诊疗效率具有很重要的科研价值和临床意义。本文主要完成了如下几个方面的工作:在白内障眼底图像预处理阶段,使用了图像灰度化来将原始的OCT彩色眼底图像转换成灰度图,使用像素值标准化和归一化将图像的像素值划归到同一个灰度范围,使用限制对比度直方图均衡化(CLAHE)的方法来对图像进行初步的增强,使用伽马矫正来去除光照不均对图像造成的影响。在眼底图像特征提取阶段,提取了图像的颜色特征,纹理特征,小波特征,轮辐特征以及眼底血管五类特征,共计128维。在半监督算法实现阶段,本文使用了两种半监督学习算法,一种是基于传统的机器学习算法实现的半监督算法,另一种是基于生成对抗神经网络(GAN)实现的半监督学习算法。本文使用得数据集包括4000张已标注数据以及3851张未标注数据,其中4000张数据集分为4类。在实验过程中,将4000张已经标注的白内障眼图像按照2:1:1的比例划分为训练,验证和测试集。最终,基于半监督学习的分类模型在测试集上最高能达到87.5%的四分类准确率,该结果也充分证明了利用计算机系统辅助诊断对图像进行分类并标注是可实施的。也在一定程度上推进了白内障自动分类系统投入实际医学应用的进程。