近年来,随着近视和高度近视患者比例的持续增高以及日益严重的低龄化趋势,近视已经成为全球性的公共卫生问题,病理性近视则更是造成视力损伤甚至致盲的主要因素之一。脉络膜视网膜萎缩是一种重要的病理性近视眼底病变,是病理性近视临床诊断与分级诊疗的重要依据。因此,研究基于眼底彩照的病理性近视分类以及萎缩的定量分割对于实现病理性近视临床精准预防、早诊早治以及分级治疗具有重要意义,但由于近视性脉络膜视网膜萎缩的形态、大小、分布存在非常大的差异,其自动分割存在很大的挑战性。本文基于注意力机制改进ResNet残差网络,实现了基于眼底彩照的病理性/非病理性近视自动分类。提出了一种新的注意力机制模块——优化的全局上下文(Optimized Global Context,OGC)模块,利用期望最大化算法改进通道注意力,再融入全局上下文(Global Context,GC)模块实现全局信息的捕获。将OGC模块嵌入于分类网络的分类器前,有效提升网络的特征选择和表示能力。本文研究基于改进U型网络的眼底彩照脉络膜视网膜萎缩自动分割算法,结合残差结构、深监督机制和注意力机制改进U型网络的结构,并提出了欧式距离变换(Euclidean Distance Transformation,EDT)辅助损失函数。残差结构来自 ResNet34 的层结构部分,提升了网络的深度,增强网络特征提取能力;受M型网络的启发,引入深监督机制,加强了网络训练过程中对早期层的约束,提高特征学习的准确性;基于注意力机制的OGC模块应用于网络解码路径,提升网络对高级语义信息的特征选择能力;EDT辅助损失函数为分割网络整体损失函数引入空间信息,提升了分割结果的平滑度。采用ISBI 2019眼底彩照病理性近视分析挑战赛提供的公开数据库(训练集400张,测试集400张)对本文所提出的病理性近视分类和分割网络的性能进行验证与评估。该数据库由中山大学中山眼科中心的专业医生标注金标准。(1)针对病理性/非病理性近视分类,本文方法在测试集上的AUC值为0.9992,表明本文提出的OGC注意力模块能够有效提升分类网络的特征学习能力。(2)针对脉络膜视网膜萎缩分割,由于病理性近视和非病理性近视患眼间的萎缩病灶存在较大差异,根据病理性近视分类结果分别训练萎缩分割网络,在测试集上的平均Dice系数为82.20%。实验结果表明,本文在网络结构方面的改进以及提出的损失函数是有效的。