目的:本研究旨在利用生物医学信息技术方法开发能识别视网膜血管性疾病黄斑病变的光学相干成像(opticalcoherencetomography,OCT)图像病灶并对其进行自动定量分析以及利用多光谱成像(Multispectralimaging,MSI)分析形态学变化的方法。方法:我们共收集50例病理性近视(pathologicalmyopia,PM)病人、20例糖尿病视网膜病变(diabeticretinopathy,DR)病人、28例视网膜静脉阻塞(retinalveinocclusion,RVO)病人以及50例脉络膜息肉样病变(polypoidalchoroidalvasculopathy,PCV)病人数据。所有基准数据均由专业医师手工测量获得。为分层分析PM和DR病人OCT图像,首先,我们提出一种基于稀疏低秩矩阵分解的降噪方法,通过与常用的降噪方法比较信噪比(signalnoiseratio,SNR),验证该方法的有效性。其次,在得到降噪图像后,我们提出一种基于层间能量最小化的视网膜多层分割方法,将其结果与机器内置自动测量方法得到的结果进行比较,利用无标记边界位置误差(unsignedborderpositionerror)验证分层准确性。接着,针对RVO患者的多光谱图像进行分析,评价其对于疾病预测的准确性。最后,为识别PCV病人中视网膜色素上皮脱离(pigmentepitheliumdetachment,PED)病灶,我们提出一种基于渐进式深度神经网络(deepneuralnetwork,DNN)方法,并将其与现有最佳方法分别在分割精度,包括真阳性体积分数(truepositivevolumefraction,TPVF),Dice相似系数(dicesimilaritycoefficient,DSC)、阳性预测值(positivepredictivevalue,PPV)和假阳性体积分数(falsepositivevolumefraction,FPVF)方面进行比较。同时比较我们的方法和不同的专家之间的测量PED体积结果的相关性。结果:我们提出降噪方法的SNR为22.30,在整个数据集中优于其他方法。我们采用的分层方法在PM组的平均分层误差为3.305±4.529μm,在DR组的平均分层误差为5.049±9.986μm,均远低于机器自动测量结果(分别为14.875±44.275μm以及14.796±45.363μm)。MSI图像识别的RVO疾病病灶准确性要比FP图像更明显(ROC曲线AUC=0.911vs0.768,P=0.0318)。渐进式DNN模型的病灶识别方法在分割精度方面平均结果为85.74%TPVF,85.69%DSC,86.02%PPV和0.38%FPVF,均为目前最高的结果。同时,我们方法与专家Ⅰ(r=0.9986)和专家Ⅱ(r=0.9981)测量结果之间的相关性强。结论:与其他方法相比,我们提出的降噪方法能较好完成图片降噪,分层方法结果优于机器内置方法,同时利用多光谱方法可以提高RVO疾病的诊断能力。我们提出的PED识别分割方法优于目前现有的病灶分割方法,并能应用于多种类型的PED识别分割。我们的方法有很大潜力最终应用于视网膜血管性病变的诊断和病情检测。