光学相干断层扫描成像可以获取视网膜的高分辨率横截面组织图像,并用于评估视网膜层厚度的变化。近些年基于深度学习的自动视网膜层分割算法被提出用于辅助临床诊断,然而大多数的分割方法不能很好地处理受严重病变影响的视网膜组织。另外,无论是基于传统机器学习还是基于深度学习的层分割算法,都需要大量的标注图像作为学习样本,而视网膜OCT图像的手动标注需要花费大量时间,这对层分割算法的构建提出了巨大的挑战。本文针对之前提到的视网膜层分割方法中的两种问题分别提出了不同的基于深度学习的解决方案。（1）针对基于深度学习的分割方法中容易出现拓扑错误问题,本文提出了利用层边界的距离图将分割任务转换为分类和回归的多任务问题,并通过一个融合模块来获取最终的拓扑保持的分割结果。为了应对视网膜层分割中不同层难度不一的问题,引入了一个置信度网络作为难易识别器,从而为分割网络提供在线的训练指导。此外,受到Non-local网络的启发,本文针对视网膜层分割设计了一个新颖的聚焦列模块来捕获特征的远程依赖性并为层间关系建模。在一个具有轻微形变的OCT数据集和两个具有严重形变的数据集上对提出的方法进行了研究,实验结果表明,该方法在OCT B扫描取得了良好的性能。（2）针对OCT图像标注较少和训练好的模型不能很好地处理新类别图像的问题,提出了一个基于小样本学习的层分割框架对多个病变类别的图像进行预测。针对多类视网膜图像中层分布和分割目标一致的情况,余弦相似度损失被用于对齐两臂编码器中的低级特征,促使分割臂能够更好地结合调节臂的任务编码特征。另外本文设计了一个特征融合模块来自适应地选择任务表示中有效的部分。最后为了让模型更加关注视网膜病变引起的组织形变区域,本文引入了一个基于类激活图技术的加权指导,从而对分割臂的深层语义特征进行选择性的关注。提出的基于小样本学习的分割方法验证在一个具有多种病变类的公开数据集上,其实验结果表明提出的方法在具有少量标注训练样本的视网膜分割上有着良好的表现。