糖尿病视网膜病变（Diabetic Retinopathy,DR）是一种严重的致盲症。DR治疗药物的研发中常通过显微镜观察小鼠视网膜病理图像的变化的方式来评价药物的效果,但这种评价方法主观性强,无定量标准。小鼠视网膜病理图像中的神经纤维层（Retinal Nerve Fiber Layer,RNFL）的面积和细胞核面积等参数可以用于评估DR的病理变化,对药物效果客观定量的评价,因此小鼠视网膜图像的分割对于DR药物的效果评价具有重要的意义。本文提出了一种利用深度学习的算法定量评价DR程度的方法,通过改进的U-Net模型实现了小鼠视网膜图像的分割,将其应用到DR治疗药物开发的实际项目中,取得了较好的效果。同时,由于病理图像的标注困难,样本基数小,存在模型泛化性能差,对新型小鼠视网膜图像分割效果差等问题。本文结合迁移学习的思想,利用两种迁移方法解决样本基数少的问题,并提升了模型对于新型小鼠视网膜图像的分割性能。本文主要内容如下:1.针对小鼠视网膜图像RNFL分割不准确的问题,本文提出了基于改进UNet模型的视网膜图像分割方法。第一,本文通过改进的U-Net分割模型,实现了视网膜图像中RNFL基本准确的分割。首先,模型利用残差路径减少特征之间的信息差距,其次,利用子像素卷积层进行上采样操作,减少上采样操作中细节信息的损失,最后,利用残差模块简化学习过程,增强梯度传播,减少网络深度导致的模型退化问题。实验结果表明,改进的模型能够取得更好的分割效果,实现RNFL基本准确的分割。第二,本文通过阈值分割和Fusion Net网络模型实现了视网膜图像中细胞核的分割。2.针对小鼠视网膜图像的量化评估问题,本文对视网膜图像的分割结果进行了量化分析,验证了分割结果用于DR药物效果量化分析的可行性。首先,本文根据实际变化定义了具有生物学意义的相关指标。其次对不同周龄及不同药剂量的小鼠视网膜图像分割结果进行了指标的分析。结果表明利用视网膜图像的分割结果进行定量分析相比于人眼观察对于DR药物效果的变化更加敏感。分析的结果说明小鼠视网膜图像的分割结果能够用于量化评价药物效果。3.针对模型对于新型小鼠视网膜图像的分割效果差的问题,本文结合迁移学习的思想对已有的小鼠视网膜图像进行迁移。本文首先利用CycleGAN网络和Reinhard算法对视网膜图像进行色彩迁移和风格迁移,生成具有新型小鼠视网膜图像风格和色彩的图像,然后将迁移后的图像加入原始图像数据集中进行训练。实验结果表明,原始图像数据集中加入迁移图像后可以提高模型对新型小鼠视网膜图像的分割效果,有效减少图像标注的需求。