视觉是人们从外界获取各种信息最重要的途径。一方面,随着智能手机和各类电子显示设备的普及,人们过度用眼的情况经常发生,导致了高的近视率并引发近视性黄斑病变。另一方面,随着高龄产妇的增加,早产儿的数量大幅提高,这导致早产儿视网膜病变时有发生。眼健康问题己经被世界卫生组织确定为人类生存质量的三大问题之一。深度学习作为一类新兴的机器学习方法,在视网膜病变筛查领域已经取得一些成功的应用,但是当应对复杂多样的视网膜病变情况时,现有方法仍然显得捉襟见肘。这促使我们继续对深度学习和视网膜病变筛查中的挑战性问题开展深入研究。本文的主要工作和成果如下:(1)提出了一种统一的dropout算法框架β-dropout,将基于不同分布采样的dropout方法统一到一个基于β分布的dropout框架中,进而将dropout方法选择问题转变为一个参数调节问题。在此基础上,作为一个例子,提出了一个参数自适应调节的β-dropout算法。在多个不同数据集上的实验结果表明,自适应β-dropout在不同数据集上均能获得比此前最好方法更好的结果,验证了该方法的鲁棒性和先进性。(2)提出了一种改进的U型眼底血管分割模型,采用整幅眼底图像作为输入,以充分利用眼底血管的树状结构信息和全局位置信息;引入特征通道加权机制,实现特征的高效提取和利用,同时避免不重要特征对血管分割网络训练的影响;采用加权多级交叉熵损失作为分割网络的损失函数,以进一步提高卷积网络的图像表征能力。在公开数据集与其他代表性方法对比,本文方法较好地解决血管丢失、血管分割边界模糊和血管断裂等问题,进而获得更好的眼底血管分割结果。(3)提出了一个基于改进U-net和Densenet架构的端到端早产儿视网膜病变中Plus疾病诊断方法。首先使用血管分割模型对早产儿眼底图像进行血管提取,然后将血管图输入Densenet网络,进行Plus疾病的诊断。提出一种早产儿视网膜病变中Plus疾病定量分析方法,通过评估血管弯曲度、血管宽度和分形维度来定量分析Plus疾病的病情。实验验证所提出地Plus疾病诊断系统和Plus疾病定量分析方法的有效性和准确性。(4)提出一种检测近视性黄斑病变并预测其严重性定量指标的两级网络辅助诊断方法。第一级网络判断是否存在近视性黄斑病变,第二级网络预测近视性黄斑病变的严重程度。实验结果表明,所提方法可以有效识别近视性黄斑病变,并预测其严重程度,特异性和敏感度均超过0.9。