光学相干断层成像(OCT)技术可快速获取微米级分辨率的眼部生物组织横截面图像,目前已成为视网膜成像的重要工具,为临床医生对眼科疾病的诊断和治疗提供了帮助。由光波的多次前向和后向散射引起的散斑噪声是引起OCT图像质量下降的主要因素。存在的散斑噪声经常掩盖细微但重要的形态细节,因此对观测视网膜病变是不利的。它还影响基于OCT图像的自动处理和分析方法的性能。尽管在过去二十年中OCT的成像分辨率、速度和深度已经大大改善,但作为成像技术固有问题的散斑噪声尚未得到很好的解决。本文主要研究基于深度学习的视网膜OCT图像散斑噪声抑制方法,提出了两种不同的卷积神经网络架构。本文提出的两种方法均在采自Topcon DRI-1和Topcon 2000这两种OCT仪器的视网膜图像上进行训练,用于训练的清晰图像通过对同一正常眼睛重复采集、配准并求平均得到。然后在不同仪器采集的9组正常及病变的三维视网膜OCT数据上进行测试,共取36帧进行定量分析,通过观察去噪后图像的视觉效果以及计算信噪比(SNR)、对比度噪声比(CNR)、等效视数(ENL)、边缘保持指数(EPI)这四个指标来评价方法的性能。本文提出的第一种方法是基于密集连接的残差学习方法,该方法采用加性噪声假设,将整个模型分为浅层特征提取、多层次特征融合和噪声估计三个模块,并引入了残差密集块(RDB)来优化模型。结果表明该方法取得了较好的散斑噪声抑制效果,尤其是在改善图像整体对比度和均匀区域平滑度方面表现较好。本文提出的第二种方法是基于改进的条件生成对抗网络(cGAN)方法,该方法将抑制散斑噪声的任务视为一种图像到图像的翻译任务,提出了边缘损失并将其添加到模型的目标函数中,以此来提高模型对图像边缘细节的敏感性。结果表明该方法具有整体较优的散斑噪声抑制性能,更是在有效去除散斑噪声的同时又能较好地保留边缘细节。本文研究的两种基于深度学习的散斑噪声抑制方法具有一定的临床价值,尤其对于提高OCT图像的视觉观察效果,以及提高后续自动处理和分析方法的性能具有重要意义。