青光眼是世界上的第二大致盲疾病。青光眼的发生一般都伴随着视神经乳头(视盘和视杯)以及视网膜神经纤维层改变。基于眼底图像的视神经乳头诊断是一个已确认的青光眼检测的可靠手段,因为青光眼病人的眼底通常会有大的视盘比、脉络膜萎缩弧以及神经纤维层缺损。对于糖尿病、黄斑病变和青光眼此类的眼底疾病,视网膜自动检测也是一个非常重要的早期筛查工具。由于在不同的青光眼个体在不同阶段会表现出不同的特征,因此青光眼筛选是一个非常复杂和困难的任务,并且目前还没有被广泛接受的青光眼诊断的金标准,目前主要依靠医生自身的诊断经验,根据病人的检查报告来进行诊断,而这些检查通常要花费很多金钱和时间。由于很多青光眼病人无法在早期认识到自己的疾病,同时没有足够的医生对大量的人群进行检查和诊断,青光眼筛查就成了非常必要的诊断工具.在眼底疾病筛查系统中,包括青光眼筛查,有效且精准的检测出视神经头和视盘旁萎缩弧都是非常必要步骤。而杯盘比,切角,ISNT准则,这些青光眼的风险因子都是基于视神经头的精确检测以后才得出的。很多学者已经在视神经头的自动检测方面做了研究。目前视神经头的检测的难点是由于视盘的一些模糊边界和视盘旁萎缩弧造成的。本文提出了一种新的视神经头和视盘旁萎缩弧的分割方法。首先利用模板匹配定位出视神经头的位置,从而提取出感兴趣区域。采用图像纹理修复的办法将血管从感兴趣区域中移除。为了为下一步的视盘分割提供一个更好的中心和初始轮廓,本文采用基于Hough变换的圆形检测来修正初始中心同时得到一个近似的视神经头的半径。在视盘的分割上,本文提出了两种基于纹理的分割办法。其中一种是基于纹理的模糊C均值聚类的方法。另外一种是基于纹理的活动轮廓图的分割办法,其中加入了聚类的办法来清除噪声。这两种办法都很好提高了视盘的分割准确率。本文采用基于血管弯曲和苍白区域融合的办法对视杯进行分割,多尺度的进行拐角检测从而提高了视杯的分割效率。最后,基于视神经头的分割结果本文给出了几种青光眼风险因子的计算办法。