第一部分背景:脉络膜血管层对外层视网膜的氧化和代谢活动至关重要。扫频光学相干断层扫描（SS-OCT）能够无创地拍摄出脉络膜血管结构的清晰图像。SS-OCT脉络膜血管的图像,是对当前脉络膜成像手段的重要补充。然而,SS-OCT图像上脉络膜血管的识别和分割费时费力,重复性差,而且人为偏移大。现有的自动分割方法对脉络膜血管分割这一挑战性的问题效果不佳。目的:建立自动识别和分割SS-OCT图像上脉络膜血管的计算机算法方法:使用Refinenet神经网络来分割脉络膜血管。Refinenet神经网络是一种深层神经网络,利用整合各层特征和多层次级联的方式,进行自动识别和分割。训练数据集包含40张SS-OCT脉络膜图像,由两个临床医生手动标注,一共约3600个标注的区域。使用5重（5-folds）交叉验证的方法,通过计算分割的一致性来验证自动识别模型的准确性,了解自动识别的结果与临床医生手动标注的相似性。进一步比较Refinenet神经网络与常用的基于深度神经网络的分割方法–完全卷积网络（FCN）,后者已被广泛应用于对OCT图像的分割。结果:对于Refinenet神经网络,其结果与医生1的一致性为0.840±0.0354,高于医生1和医生2之间的一致性0.821±0.0436,差异有统计学意义（P<0.001）;与医生2的一致性为0.823±0.0265,略高于医生1和医生2之间的一致性。Refinenet自动识别与两位医生的一致性,高于FCN神经网络,FCN结果与医生1的一致性为0.780±0.056,与医生2的一致性为0.785±0.0370,差异有统计学意义（P<0.001,配对t检验）。组内相关系数（ICC）和Bland Altman分析结果显示,Refine Net神经网络具有良好的重复性。结论:Refine Net算法能够对SS-OCT图像上脉络膜血管进行分割,是一种自动定量分析脉络膜血管的准确的方法。第二部分目的:探究SS-OCT图像上,青少年轴性高度近视眼与正常青少年脉络膜血管的差异方法:使用Refine Net深度神经网络模型,自动识别SS-OCT图像中的脉络膜血管,对结果进行分析。分别计算高度近视眼组和正视眼组的脉络膜总体积、脉络膜血管的体积和脉络膜血管的密度。结果:在每一张扫描面上,高度近视眼组脉络膜血管的面积平均为0.797±0.270 mm2,比正视眼组1.325±0.361低,差异有统计学意义（p<0.001）。高度近视眼组脉络膜总面积平均为2.261±0.505 mm2,比正视眼组3.196±0.599低,差异有统计学意义（p<0.001）。高度近视眼组血管/脉络膜比值平均为0.344±0.055,比正视眼组0.408±0.053低,差异有统计学意义（p<0.001）。结论:在青少年阶段,轴性高度近视眼的早期,脉络膜的总体积比正常青少年小,脉络膜的血管体积比正常青少年小,脉络膜的血管密度比正常青少年小。第三部分目的:获取健康学龄儿童视网膜大血管血氧饱和度的正常值并探讨其与近视度数及其他相关因素之间的关系。方法:基于自然人群的横断面研究。纳入7~19岁儿童和青少年。每名参与者进行了一系列全面的眼部检查,包括眼轴长度（AL）,散瞳验光,散瞳后oxymap T1血氧饱和度图像的采集。获得的视网膜血氧饱和度图像进行测量分析,并计算平均视网膜血氧氧饱和度值。应用多元线性回归分析视网膜血氧饱和度的相关因素。主要结果:视网膜动脉血氧饱和度（Sa O2）和视网膜静脉血氧饱和度（Sv O2）,和动静脉血氧饱和度差值（AVD）。结果:共纳入1461名儿童和青少年,其中男性占53.0%。平均年龄12.1±3.2岁,平均Sa O2,Sv O2和AVD分别为:83.7±6.4%、50.1±5.4%、33.6±5.4%。三者均随年龄的增加而增加。与男生相比,女生的Sv O2更高、AVD更低（P<0.05）。等效球镜（SE）与Sa O2,Sv O2和AVD之间的相关系数分别为:-0.372,-0.203和-0.240（P<0.001）。眼轴长度（AL）与Sa O2,Sv O2和AVD之间的相关系数分别为:0.276,0.106和0.221（P<0.001）。与正视眼和远视组相比,近视组Sa O2,Sv O2和AVD更高（P<0.001）。并且高度近视组较中度近视患者Sa O2和Sv O2更低。多元回归分析,表明年龄和近视度数与Sa O2,Sv O2和AVD相关度最较高;性别和BMI与AVD相关。对于Sa O2和Sv O2,年龄的影响最大,其次是SE;对于AVD,SE的影响最大,其次是年龄。结论:SaO2、SvO2与AVD随近视度数增加和眼轴延长而增加。轻中度近视状态下,视网膜存在一定的代偿机制,来提高视网膜动脉氧饱和度。高度近视状态下,这种代偿能力达到饱和,因而转为失代偿状态,在高度近视性视网膜病变的形成和发展中有重要作用。