原发性闭角型青光眼（PACG）是导致亚洲人群致盲的主要眼科疾病。其中前房角（ACA）分类是利用眼前节光学相干断层扫描（AS-OCT）诊断闭角型青光眼的关键。现有的ACA分类方法主要针对二维图像中的二分类（开角和闭角分类）开展。然而,临床上需要一个更精确的ACA分类（即开、窄和粘连房角）来帮助临床医生更好地了解闭角型青光眼的发病进展。但是由于眼前节粘连区域可能出现动态粘连,基于静态AS-OCT图像的分类器可能无法准确预测结果,因此,本文提出了一系列基于AS-OCT图像的深度学习算法,不仅可以从单张AS-OCT图像中判断开角和闭角型青光眼,还可以从AS-OCT图像序列中识别动态特征,进而实现准确的开、窄和粘连ACA分类。本文主要内容如下:（1）本文提出了基于注意力机制的ResU-Net方法进行虹膜分割。该方法在ResU-Net结构基础上,引入了多尺度残差模块,提高卷积层提取多尺度特征的能力;引入了注意力机制模块,将编码器和解码器中目标特征进行权重优化,在增强图像目标区域特征的同时抑制背景及噪声区域;引入了多尺度图像输入和多层函数输出模块,监督每一层的特征学习。（2）本文提出了一种基于多尺度特征聚合的分类模型。本文基于临床先验知识,首先提取出AS-OCT图像中的ACA区域,然后对此区域进行分类。除此之外,本文的方法设计了一个多尺度特征判别聚合模块,构建出一个多尺度聚合网络,从而对提取出来的ACA区域进行房角分类。（3）本文提出了一种基于多序列特征融合的房角分类模型。本文首先将ASOCT图像（二维切片）处理成3D数据（图像序列）,然后采用卷积神经网络编码器提取序列中每个图像的深度特征,并将其输入到卷积循环神经网络（Conv LSTM）中,有效的提取序列图像特征。最后,本文提出时间加权交叉熵损失（TC-loss）,即序列中每一个时刻进行决策时,对这一时刻前面所有序列特征取平均,并且将所有序列特征连接起来,输入分类器中进行分类。