眼底图像处理与分析是计算机科学在医学领域中的重要应用。利用彩色视网膜图像对眼底病进行筛查可以及时诊治相关眼底病并有效减少失明的发生。目前,眼底病主要是通过专家人工检查眼底图像中的相关目标(视网膜血管、视盘、中央凹以及病变)来进行诊断,这使得大范围的眼底病普查得不到开展,大量眼底病患者因得不到及时诊断和治疗,导致视力受损甚至失明。为此,利用图像处理、计算机视觉以及机器学习等方法,自动检测彩色视网膜图像中眼底病相关目标,对实现计算辅助眼底病筛查以及推广大规模眼底普查具有十分重要的意义。论文按照眼底视网膜血管分割、视盘定位与分割、中央凹检测以及眼底病变检测这条主线展开研究。主要研究内容和创新成果如下:(1)针对视网膜血管分割过程中存在微小血管检测困难以及容易受到图像中阶跃边缘干扰等问题,本文提出了基于迭代测地时间的视网膜血管分割方法,该方法通过方向线检测算子,检测出视网膜血管网络的中心线,继而利用迭代的方式计算测地时间来对视网膜中心附近的像素进行分类,当迭代收敛时即完成血管的精确分割。为了进一步提高低对比度以及微小血管的分割性能,本文还提出了基于相位一致性的血管分割方法,通过使用相位一致性这种光照无关的度量来对血管进行增强,进而训练全连接条件随机场来实现血管的精确分割。(2)针对视网膜视盘定位时容易受到病变以及图像噪声的影响,本文首先建立了方向模型,将视网膜视盘定位看成是方向场的优化问题。在该理论的基础上,本文具体化了全局松弛双抛物线方向模型以及局部盘形方向模型。为了在视盘定位过程中综合利用全局与局部方向信息,本文利用混合方向模型来融合全局方向模型和局部方向模型的结果,并通过求解优化问题,完成对视网膜视盘的精确定位。为了克服视盘分割过程中容易受到视盘周边病变、色素沉着以及低对比度光照的影响,本文接下来建立了融合多能量的变分模型,将视网膜视盘分割问题看成是多能量的优化问题。在该理论的基础上,本文提出了基于相位信息的边界能量,基于PCA的形状能量以及区域能量来对轮廓曲线进行驱动,实现视盘的精确分割。(3)考虑到中央凹区域容易受到病变的干扰,为了有效提高中央凹检测的精度,本文提出了融合多特征的中央凹检测模型。首先通过利用眼底视网膜解剖学先验知识,提取中央凹的全局先验特征。其次,利用中央凹的局部外观特征,提取出中央凹形状先验特征。最后,为了区分中央凹与眼底病变,本文利用深度学习方法,学习出中央凹区域的深度特征。在此基础上,本文将这些特征进行融合,提出了多特征融合模型,完成对中央凹的精确定位。(4)眼底病变中微动脉是眼底病变最早期的症状,也最容易被患者忽视,甚至被眼科专家漏诊。由于其尺寸较小,且对其进行检测容易受到血管以及图像噪声的干扰,本文通过提出梯度向量分析的方法来对视网膜图像中的微动脉瘤进行检测和定位,进而利用快速水平集方法对微动脉瘤进行分割,并通过训练样本不均衡分类器来解决候选微动脉瘤分类时的类别不均衡问题。考虑到眼底图像中其他的暗病变和亮病变通常较为明显,且具有较强视觉显著性特征,本文还提出基于视觉注意模型的方法,实现对眼底图像中的暗病变和亮病变的同步检测。