随着工业的进步和科技的高速发展,我们进入了智能化时代。人工智能已经在人们的日常生活中扮演着越来越重要的角色,深度学习在这一过程中发挥着重要的作用。然而随着数据的海量增加,所提出模型的学习会变得越来越困难与复杂,延长了工作的时间和增加了学习的成本,给日常的生活应用带来了诸多不便。与此同时,当所提出模型的学习过程变得非常复杂时,在这个过程中会出现真实的结果与学习的结果存在很大的误差,这使得所提出的方法在工业应用方面造成一定的损失并带来了不必要的风险。针对上述存在的问题,在这篇文章中以简化模型的学习和提高模型学习的效率与精度为目标,以深度神经网络与正则化为手段,以青光眼的眼科疾病检测为应用背景开展相应的研究,同时,文章的创新和主要贡献具体包括三个方面:（1）提出了一种新颖的₁l_/2组正则化深度神经网络方法,模型随着每个样本数据学习后立即更新,减轻了模型过拟合的情形和简化了网络的结构与参数,通过正则化方法的约束使得模型的真实输出和学习得到的输出之间的误差尽可能地小,加快了模型学习的效率和增加了模型的精度,同时在理论上证明所提出模型的收敛性并采用数值模拟实验进行相关的检验。（2）提出了基于随机森林的混合深度神经网络方法来对青光眼的眼科疾病进行检测和分类,针对眼科影像病变区域边界低对比度的影响,模型采用端到端和联合局部特征的自动学习方式,提高了模型的泛化能力,有效地改变网络的性能和减少影像特征信息丢失造成的损失,给模型的学习提供了很好的鲁棒性,改善了模型对人工标注特征的依赖,降低了学习的成本和提升了检测的效率以及增加了检测的准确度。（3）提出了基于Attention机制的组正则化深度神经网络方法来对视网膜的眼科疾病进行分割和检测,针对不同影像之间病变的形状和大小存在不一致,以及影像之间对比度和局部强度的变化,模型采用组正则化减少了与诊断无关的诸多干扰因素的影响,并且模型从每个网络层中提取相关的特征信息,在检测过程中增加了信息的多样性,使得该模型最终输出的结果获得了更高的精度,为了更能突出所提出方法的有效性,将所提出的方法与基于随机森林的神经网络方法进行相关的对比,结果表明所提出的方法具有最好的性能表现。