青光眼是当今排名第二的致盲性眼病,更是不可逆性致盲眼病之首。在病变过程中,患者视力水平往往是渐行性且不可逆的缓慢损伤,绝大多数患者无明显症状,直至视力遭受严重损害后才能发觉,因而青光眼又被称为“沉默的视力窃贼”。青光眼无法预防,只能通过及早发现、及早治疗,进而阻止病情继续恶化,这一举措可以有效降低患者的失明率。但目前眼科医生数量依然匮乏,尚无力支撑大规模的青光眼筛查。在临床检测中,医疗影像可以有效地帮助医生做出判断,其中彩色眼底照是目前各类非侵入式视网膜检查方式中成本最低的一种。由彩色眼底照获取视杯与视盘区域直径,并计算垂直杯盘比这一临床常用指标,进而判断是否为青光眼。但对于资深眼科医师而言,分割一张彩色眼底照也需要约8分钟。因而许多研究者聚焦于语义分割技术,尤其是基于深度学习的语义分割技术。迄今为止,在青光眼识别问题上已经有了大量的算法研究,但是各类算法普遍计算资源开销大,对于大规模青光眼筛查仍不够适宜,目前亟需一轻量化网络来解决该问题。本文提出了一个轻量化青光眼网络—LGNet,在保证分割精度的同时,又大幅降低计算成本。通过控制网络宽度与引入通道拆分机制,精简模型容量;通过空洞卷积并行叠加组建有效提升感受野的基础模块,优化上下文信息获取与融合能力;通过引入注意力机制,提升编码器对特征的提取能力;通过损失函数的设计与数据增强的策略,缓解样本不均衡问题;将普遍使用先定位后分割的两阶段解决方式简化至端到端的一阶段直接分割,且未采用其他研究者普遍使用多模型预测的方式,使用单一模型解决多类别分割问题,进而降低资源开销。本文在公开数据集上验证了该网络模型,与近年来其他先进方法相比,无论是在Dice系数、Io U等精度评价指标上,还是在参数量、FLOPs性能评价指标上,均取得了在目标数据集上较好的成绩。同时通过消融实验拆解本文所使用到的各类方法,进一步验证了网络模型、训练策略、损失函数设计等工作的有效性。