在我国视力下降的60岁以上老人中大约有90%患有白内障疾病,而通过观察眼底可以诊断大约90%的眼科疾病,所以观察白内障眼底图片一直以来是该疾病诊断的重要手段,然而根据经验判断病变程度不仅具有很大的不确定性而且这种方法效率很低,所以白内障眼底图片病变程度自动定级算法具有很大的研究价值和实际意义。考虑到眼科医生通过观察眼底进行白内障诊断时,视网膜血管网的清晰程度是其判断白内障严重程度的重要指标,且经常会把注意力集中在视盘周围的血管网络上,因此基于血管掩码辅助白内障自动定级的思想,探究了以人工特征为基础的方法和以深度学习特征为基础方法在计算机辅助白内障诊断任务中的表现,通过设计对比实验证明了上述两种方法的有效性并对比了他们的适用性,具体内容如下:(1)以人工特征为基础的方法:采用以人工特征为基础的方法实现白内障眼底图片病变程度定级,具体地,提出了基于自适应窗口模型(AWM)匹配的方法来增强眼底图片管迹与背景的对比度,并以此为输入提取图片的轮辐特征实现白内障眼底图片病变程度的自动定级。(2)以深度学习特征为基础的方法:采用以深度学习特征为基础的方法实现白内障眼底图片病变程度定级,具体地,通过协同优化初始血管掩码生成模型和有注意力机制的白内障自动定级模型来提升后者的病变程度定级效果。考虑到有血管网络标注的数据集可以训练初始血管掩码生成模型,因此首先用它预训练以U-Net为基础的初始血管掩码生成模型,得到有白内障等级标注数据的初始血管掩码,然后以白内障自动定级模型生成的全局上下文向量为基础,通过注意力机制进一步精化初始血管掩码。精化后的初始血管掩码不仅可以用来指导白内障自动定级模型的特征提取,而且可以作为半监督信息进一步优化初始血管掩码生成模型。(3)在实验阶段,为了探究以人工特征为基础的方法和以深度学习特征为基础的方法的适用性和训练集大小之间的关系,对数据集进行了数据扩充,并在扩充前后通过前文所述的两种方法实现白内障眼底图片病变程度自动定级,实验表明,以人工特征(深度学习特征)为基础的方法平均分类精确率达到了80.12%(88.57%)优于现有方法;在数据扩充前,和以深度学习特征为基础的方法相比以人工特征为基础的方法效果更好,但数据扩充之后以深度学习特征为基础的方法优于以人工特征为基础的方法。