青光眼是一种会导致不可逆转视力丧失的眼科疾病。因此,早期筛查可以尽早发现疾病,这对于尽早治疗以保持视力健康和维持生活质量至关重要。然而,由眼科医生进行的人工诊断耗时且昂贵,并不适合大规模人群的筛查。视盘视杯自动分割可以获取评估青光眼所需要的一些临床数据,缓解人工评估耗时且昂贵问题。传统的方法主要是基于颜色、条纹等人工提取的特征,缺乏足够的辨别表示能力,容易受到病灶区域和低质量对比的影响。深度学习的方法可以自动对眼底图像中的特征进行学习和提取,且受到病灶的影响相对较少。近年来有应用深度学习方法分别对视盘视杯进行分割,得到了一些较好的成果,但对视盘视杯的相互关系缺乏研究。因此需要探索新的深度学习方法克服这些缺陷,通过深度学习的方法提取比其他方法更多的视网膜图像的视觉特征信息,并利用这些视觉特征对视盘和视杯进行分割,以期达到更好的自动筛查青光眼的效果。针对以上问题,本文提出了一种改进的基于深度学习的视盘和视杯自动分割框架,主要研究内容如下:（1）提出了一种基于循环全卷积和极化变化的网络模型RFC-Net（Recurrent Fully Connection Network,RFC-Net）。RFC-Net通过重新构建和微调全卷积网络,在其中加入循环卷积,使得网络更加丰富,致力于提升视盘和视杯的分割精度。通过采用多尺度输入层,有效避免了参数的大幅增加,提高了网络对全局上下文信息的敏感度并且增加了解码器路径的网络宽度。采用侧输出层,用于产生不同尺度层的伴随局部预测图,使用侧输出层将不同阶段的特征信息充分利用,提高网络学习能力的同时不增加额外的参数和计算量。通过对比实验验证可知,多尺度输入层和侧输出层均可以让模型在分割任务中表现更佳。（2）设计了一种基于新型Skip-Link注意力指导网络和极化变化的模型SLAG-CNN（Skip-Link Attention Guided Network,SLAG-CNN）,用于视盘和视杯的联合分割。首先,在SLAG-CNN中,设计了注意力门SLAG模块,它被用作敏感的扩展路径来传递先前特征图的语义信息和位置信息,以消除由原始特征图从复杂背景引入的嘈杂成分。具有新颖网络结构和注意力门的SLAG-CNN对整个模型的提升起到了很大的作用,它通过过滤低分辨率特征图与高分辨率特征图,以实现从不同分辨率级别恢复空间信息并合并结构信息,可以有效地学习到对视盘和视杯细微边界更好的注意权重。其次,结合了极化变化的思想,使用极坐标系下的特征图对模型进行训练,提高了模型的分割性能。（3）最后,在视网膜图像标准数据集Drishti-GS1上对本文提出的框架做了训练和测试。在Drishti-GS1标准数据集中,通过将RFC-Net运用到联合视盘和视杯分割中得到期望的结果,其中视盘分割的F1,BLE分别为0.9787、3.96,视杯分割的F1,BLE分别为0.9058、15.40。其次,将SLAG-CNN运用到联合视盘和视杯分割中得到期望的结果,在视盘上的F1达到了0.9891,BLE达到了3.20,视杯的F1达到了0.9029,BLE达到了14.01。通过与RFC-Net的分割结果进行对比和分析,其中SLAG-CNN模型进一步提升了视盘和视杯分割的准确性。