医学图像处理与分析是指利用计算机对医学图像进行自动处理、特征抽取和分类的技术。由于眼底图像结构复杂，使得目前的眼底图像智能处理与分析方法仍存在诸多的关键技术难点，例如光照不均和低对比度下的目标定位、复杂背景下的目标精准提取、样本不平衡情况下的目标分类等。本文在分析总结国内外相关研究成果的基础上，针对现有方法的不足，提出了多种新型且有效的方法用于眼底目标智能分析与检测任务，包括视神经盘、视网膜血管、黄斑以及病变，从而实现了糖尿病性黄斑水肿和糖尿病视网膜病变的智能诊断。本文主要研究内容和创新成果如下:
　　针对眼底目标检测经常受到光照变化和复杂背景结构干扰的问题，提出了一种基于视觉局部特征的目标检测方法。该方法根据眼底目标的亮度特性，采用视觉显著性方法提取目标的候选区域，提升了算法的计算效率。之后对候选区域提取局部特征并构建稀疏字典。在此基础上，将字典原子的使用频率看成“谱”特征用于目标分类。该模型在视盘检测应用上取得了较高的精度。
　　针对眼底目标检测易受相似非目标干扰，且耗时低效的问题，提出了一种基于图像先验的黄斑中心检测方法。该方法根据眼底图像中目标的结构特点，采用形态学技术提取血管骨架，并根据视盘内部的血管结构分布先验知识，定位视盘中心。同时，为了降低非目标区域干扰，利用视盘与黄斑的位置先验信息提取黄斑的感兴趣区域，并在感兴趣区域内提取结构特征，实现黄斑中心的自动检测。实验结果表明，该方法能准确且高效地定位黄斑中心。
　　针对传统的眼底目标分类方法中难以解决的样本失衡问题，提出了一种基于统计分析的无监督目标检测方法。该方法利用稀疏主成分分析构建样本模型，避免了因不同类别下的样本数量差异而导致的分类器训练不完备，检测精度偏低的问题。在此基础上，设计无监督分类器，并利用该分类器识别目标。该模型探究了样本的内在结构特性，并通过统计分析方法检测目标，在微动脉瘤病变检测任务上取得了较好的结果。
　　针对眼底目标检测中目标边缘信息丢失及非目标区域干扰的问题，提出了一种基于超像素多特征的目标检测方法。该模型首先使用全局和局部对比度增强方法，提升图像的对比度和亮度。然后采用超像素方法分割眼底图像，获得具有保持边缘结构信息的候选区域。同时对候选区域提取相关视觉特征，并利用线性判别分析方法进行分类。为了降低非目标区域对检测结果带来的误检测问题，本文在分类结果的基础上采用目标检测后处理方法去除非目标干扰因素的影响，实现目标的精准检测。将该模型应用到硬性渗出病变检测上，与其他的同类方法相比，本方法在取得高精度的同时还可以较好地保持目标的边缘信息。
　　针对人工目测诊断眼底疾病中存在的人工阅读效率低、主观性强且容易造成误检和漏检的问题，融合上述提出的眼底目标智能检测方法，分别提出了糖尿病性黄斑水肿和糖尿病视网膜病变的智能诊断方法。实验结果表明，提出的方法可显著提高眼底疾病的诊断精度。