青光眼作为世界上排名第二的致盲眼病。它在早期没有明显的症状,眼科医生依靠眼底图像来对青光眼患者作出判定,但一旦眼底检查增多,医生的工作量也随之增大,而且医生的精力有限,这可能会使医生存在误诊或漏诊的情况。随着人工智能的快速发展,深度学习技术越来越多的应用到临床诊断中。不仅可以减轻医生工作负担,对于推动大规模的眼底普查也有重要意义。因此青光眼眼底图像的精准分割和辅助诊断具有重要的临床意义和科研价值。视盘和视杯的检测是诊断青光眼的重要步骤。本文利用深度学习的方法,将青光眼图像视盘和视杯进行提取,分割出视盘和视杯的精确区域,通过计算出杯盘比(CDR)来辅助诊断青光眼。本文的主要工作如下:(1)首先,进行青光眼眼底图像的视盘预处理提取。通过基于灰度值的分割方法、边缘检测算法这两种算法进行青光眼眼底图像视盘预处理提取,提取出青光眼眼底图像的视盘位置,再通过实验将这两种方法提取的视盘位置与按照医生标准手动标注的视盘区域进行对比,从而选择出与手动标注的眼底图像视盘位置相近的阈值分割法进行青光眼眼底图像的视盘预处理提取。(2)其次,进行青光眼眼底图像的视杯预处理提取。在视盘的基础上,继续使用阈值分割法和基于边缘的检测方法以及霍夫变换法进行青光眼眼底图像的视杯预处理提取,和视盘预处理的方法一致,再次通过实验将阈值分割法、基于边缘检测方法和霍夫变换法与按照医生手动标准标注的视杯区域进行对比,从而选择出与手动标准标注的视杯图像接近的方法用于青光眼眼底图像视杯的预处理提取。(3)针对眼底图像视盘和视杯分割精确度不高问题,通过利用深度学习的方法来进行眼底图像视盘和视杯的分割。本文在基于残差网络Res Net的基础上,设计了一种M-Res Net的新网络结构,加入通道加权来实现眼底图像视盘和视杯底层特征和高层特征的融合,从而提高网络的性能。通过对Yi Wei Chen等人收集的青光眼数据集进行测试,利用本文提出的网络模型分割出视盘和视杯的区域面积,计算杯盘比参数来初步筛查青光眼疾病。最后,通过与FCM、CV和U-Net模型方法进行对比实验,证明本文设计的M-Res Net网络具有很强的可行性和优势性。