视网膜水肿是一种常见的视网膜类疾病,同时也是众多眼底疾病的并发症,包括视网膜下积液(Subretinal fluid,SRF),色素上皮层脱离(Pigment Epithelium Detachment,PED)等。光学相干断层扫描(Optical Coherence Tomography,OCT)技术由于分辨率高、无损、速度快等一系列特点被广泛地应用在眼科疾病的临床诊断中。因此基于OCT图像的视网膜水肿区域(Retina Edema Area,REA),包括SRF、PED病灶的自动分割对相关眼底疾病的临床分析诊断与后续治疗都有非常积极的意义。本文主要研究基于U型结构的卷积神经网络(Convolutional Neural Networks,CNN)分割算法,并分别提出了基于深监督注意力机制和基于上下文金字塔融合机制的分割网络,实现了视网膜OCT图像中REA、SRF和PED多病灶联合分割。在基于深监督注意力机制的分割网络中,受非局部(Non-Local)操作的启发,设计并插入了基于深监督的注意力模块,通过联系粗糙分割结果与高级语义特征来建模像素与区域对象之间的相关关系,从而增强像素的表示能力。在基于上下文金字塔融合机制的分割网络中,为了解决编解码网络中普通跳跃连接导致的全局上下文信息缺乏以及多尺度上下文信息获取能力不足等缺点,本文设计了全局金字塔引导模块(Global Pyramid Guidance,GPG)用于重建跳跃连接,设计了尺度感知金字塔融合(Scale-Aware Pyramid Fusion,SAPF)模块用于动态捕捉多尺度信息,从而提高分割网络对上下文信息的理解能力。本文采用AI-Challenger网站上的视网膜水肿公开数据集进行算法验证与性能评估,该数据库包含83个伴有视网膜水肿的三维视网膜OCT图像,每个OCT图像包含128帧二维B扫描图像,共计10624张二维图像。本文提出的分割网络在二维图像上进行训练,三维图像上进行测试。通过比较Dice系数、敏感度、特异度、像素准确率四个指标来评价分割网络的性能。实验表明,本文提出的两种分割网络都实现了较好的分割效果,其中基于深监督机制的模型能够促进模型优化、提高分割能力,三种病灶REA、SRF、PED在主要评价指标Dice系数上分别达到了81.04%、79.96%、73.07%;基于上下文金字塔融合的模型能够更有效关注分割目标、捕捉有效特征,三种病灶 REA、SRF、PED 在 Dice 系数上分别达到了 81.34%、83.49%、74.72%。