脉络膜新生血管（Choroidal neovascularization,CNV）是一种视网膜血管性病变。它严重危害着患者的视力健康,是当前致盲的主要原因之一。CNV的病理特征复杂多样,利用自动算法对其进行准确的分割有助于临床医生的诊断与分析。本文基于频域光学相干断层成像（Spectral Domain Optical Coherence Tomography,SD-OCT）和光学相干断层扫描血管造影（Optical coherence tomography angiography,OCTA）来对CNV的分割进行研究。主要研究内容分如下:（1）提出了一种基于3D CNN的脉络膜新生血管三维分割方法,采用3D U-Net作为基础结构,利用3D卷积对SD-OCT图像进行特征提取。为了实现空间占用和模型效率的平衡,网络首层结构中应用了尺寸为7 7 3,步长为2的卷积核,使得网络在增大了感受野的同时对特征图的尺寸进行快速缩减。为了更好地提取CNV病变的特征,提出了一种交叉卷积模块,该模块采用了一组尺寸分别为7 3 3和3 73的各向异性卷积核。为了进一步增大网络的感受野并且提高多尺度特征的提取能力,提出了一种空洞连接层,在网络的跳跃连接结构中加入不同膨胀率的空洞卷积。实验结果表明,该方法在SD-OCT图像上可以有效地对CNV区域进行分割。（2）提出了一种基于多模态特征融合的脉络膜新生血管分割方法,利用SD-OCT和OCTA两种模态的数据进行融合分割。该方法主要包括两个阶段:第一阶段利用OCTA图像对一个U-Net模型进行训练,根据网络训练的收敛情况选择最终的模型参数。第二个阶段在U-Net基础上拓展得到一个双分支编码器的特征融合网络,设计了一种特征融合模块用于对两种模态的特征图进行选择和融合。将第一阶段获得的模型编码器部分参数载入到该网络的OCTA分支中并冻结,两个分支每个模块得到的特征图通过融合模块进行特征融合,然后作为SD-OCT分支下一个模块的输入。最终网络同时输入成对的SD-OCT和OCTA数据,并以金标准为标签进行训练优化。四折交叉验证以及病人独立实验验证了我们方案的有效性。