随着光学相干层析(OCT)技术的日益完善，其在生物医学成像领域也得到了日趋广泛的应用，能够为眼科学、牙科学、泌尿学、心脏病学和肠胃病学等众多学科提供大量包含病理学信息的组织图像。目前，如何利用与人工智能相结合的纹理分析方法，以OCT图像中的纹理信息为依据，对图像进行自动分类和识别，从而为辅助诊断以及治疗效果的追踪提供帮助，已经得到越来越多的关注。本文的主要目的在于，探寻OCT图像纹理特征提取和筛选的有效方法，研究人工神经网络(ANN)对OCT图像的分类能力，比较不同构型及用不同算法训练的网络之间性能的差异，力求为后续研究工作提供一些参考。　　 OCT系统在成像过程中会因为不可避免地受到各种因素的干扰而使图像发生一定程度的退化，导致模糊和畸变，影响纹理特征自动提取的准确性。提高成像系统硬件性能一直是改善其成像质量的重要途径，但往往需要耗费大量的成本，且易受相关学科技术水平的制约。因此，图像处理技术成为改善图像质量的另一项重要手段，国内外研究者做了很多有益的探索和尝试。在本文中，作为纹理分析的预处理步骤，提出了利用去噪、解卷积、图像变换和对比度增强相结合的方法来改善图像质量。存在严重噪声的几种不同组织的OCT图像在经过相应处理后，图像的视觉效果明显改善，参数评价大幅提高。　　 为了能够针对OCT组织图像的特点进行更为有效的纹理分析，为图像分类提供更好的依据，分析归纳了OCT图像中典型的纹理特征及其提取方法和步骤，并依据类内离散度和类间离散度这两个参数，实现了纹理特征的筛选和组合，排除了冗余特征的干扰。　　 基于人工神经网络的纹理分析方法已经在OCT组织图像的分类和识别领域得到了一些应用，但目前，如何根据系统和图像的特点，合理选择不同构型的ANN，并用最有效的算法进行训练，从而取得最好的分类结果，仍旧没有一个明确的答案。为此，构造了多种ANN，再将以不同算法训练的ANN应用到对训练集和测试集的分类实验中。在比较了训练时间、迭代次数和误差性能等训练评价参数，以及分类的准确性之后，对不同ANN的构型和训练算法的特性进行了讨论，确定了适合于OCT图像分类的最佳构型和训练算法。