基于深度神经网络模型的视网膜病变分割在模式识别、人工智能和医学图像处理等领域具有重要的学术研究意义和广阔的应用前景,其中神经网络中的多尺度特征提取模块在处理各种不同大小的分割对象中发挥着重要的作用。本文针对病变分割中的多尺度对象分割问题及各种其他语义分割中的常见问题,提出了一些优化的多尺度特征提取模块及其他性能优化方法,具体研究工作如下:（1）针对NRD病变巨大的尺度变化跨度及前景区域与背景区域灰度分布相似等问题,提出了一个基于残差网络的多级金字塔池化模型,并提出了一个差值损失函数来进一步优化模型分割效果。之后将本模型与语义分割中的一些经典或前沿算法进行了比较实验,同时也与其他针对NRD分割的各种算法进行了实验对比。最后在三个不同的数据集上与其他方法进行了对比实验,实验数据和分割结果证明,提出的模型不仅在各种评价指标上显著优于其他算法,从具体的图像分割结果中也可以看出在多尺度、避免空洞及边缘细节分割等方面表现出了更好的分割效果。（2）提出了一个基于多尺度注意力机制的带分类辅助分支的CNV分割模型。在CNV病变分割中,SD-OCT图像中的CNV病变区域成像更加复杂,不仅存在多尺度等问题,还有因为CNV病变存在不同症状导致的不同病变区域之间成像存在差异和严重的弱边界等问题,以上问题导致CNV分割难度远远超过NRD病变分割。针对CNV病变分割中存在的问题,在提出的网络中添加了多尺度注意力模块和分类辅助分支。此外,针对弱边界问题,模型在训练中添加了一个带边界约束的损失函数。最后在一个来自10个病人总共128个cube的数据集上进行了对比试验,最终的实验结果表明提出的模型相比现有的一些方法具有更高的分割精度和分割稳定性。（3）设计并实现了一个基于SD-OCT图像的视网膜病变分析系统,可以选择NRD病变或CNV病变对视网膜图像进行分割,并估算病变区域的体积,也可以对有实际标签图的病变图像进行各种评价指标的验证。此外,系统提供了方便的图像浏览和演示功能,可以进行各种不同方向的二维切片图像演示和三维cube演示。