光学相干层析成像（OCT）在眼科方面的应用通常受到散斑噪声和低分辨率的影响。目前主流的OCT图像超分辨率重建方法多基于卷积神经网络，往往存在成像质量低、图像过度平滑和边缘细节缺失等情况。本文提出了基于Transformer的OCT视网膜图像超分辨率网络——TESR。TESR加入了边缘增强模块，以加强边缘信息对模型的影响，提高视网膜各层边缘的清晰度；新提出的金字塔长程Transformer模块融合了局部特征和全局表示，对图像的内部信息进行长程建模，能更有效地学习更丰富的图像特征。实验结果表示：本文所提TESR模型在峰值信噪比和结构相似度这两个指标上比其他经典模型均有一定程度的提高，在学习感知图像块相似度这一指标上表现优秀，同时在主观视觉质量上也有明显提高，泛化能力较强。

近视是一种常见眼病，已成为中国青少年视力下降的主要原因。近视防控是一个关系国家和民族未来的大问题，已经上升为国家战略。当前近视防控的有效手段之一就是建立屈光发育档案，并根据数据给出眼屈光度的预测。然而，目前市面上并没有一款专用于屈光发育档案数据采集的设备。笔者基于前期研究，结合干涉、波像差和图像分析等技术建立了眼屈光度与生物参数一体化测量系统，主要测量眼轴长度、角膜曲率、前房深度和屈光度等参数。使用组内标准差、测试重复性、变异系数和组内相关系数评估了实验样机测量的可重复性。通过比较实验样机和IOL Master 500的测量结果，验证了实验样机测量结果的准确性和一致性。从组内标准差和测试重复性的数值可以看出：眼生物参数和屈光度测量都有很高的重复性；眼生物参数的变异系数均低于3%，眼轴长度和角膜曲率的变异更小（≤0.256%）；组内相关系数均高于0.6。说明测量结果具有较高的一致性。实验样机与IOL Master 500测得的眼轴长度、角膜曲率、前房深度数值无显著差异（P>0.05），说明实验样机测量结果的准确性很高。这些结果表明这样的一体化设计能完成基本的眼屈光度和生物参数测量。随着技术的迭代，该系统有望成为近视防控专用的屈光档案数据采集设备，为近视防控提供必要支撑。

利用光学相干断层技术（OCT）产生的视网膜疾病图像是分类眼科疾病的重要措施。目的是利用四种不同分类模型的迁移学习方法对糖尿病黄斑水肿、老年性黄斑变性、玻璃疣三种病变的OCT视网膜图像进行自动分类, 实现迁移学习在OCT图像分类上的应用。将VGG-16、Inception V3、MobileNet V2、ShuffleNet-V2这四种神经网络模型在大规模图像分类数据集预训练好后, 进行模型微调和训练参数更新, 进而找到实现上述三种眼科疾病自动分类的最优模型, 达到高效的OCT视网膜病变自动分类效果。实验结果表明, 四种模型中轻量型MobileNet V2经模型微调后的评价指标优于其他模型。

光学相干层析成像(OCT)广泛应用于眼科, 用于观察视网膜的形态, 对病变区域的检测和诊断评估具有重要意义。由于液体的积聚引发的一系列视网膜疾病, 针对视网膜OCT图像中的液体检测和分割问题, 设计了一种具有全局上下文特征信息的神经网络, 利用多尺度的特征提取与融合的方法, 提出了一种多尺度的并行提取与高度融合的U型网络模型PH-UNet, 这是一种新的用于视网膜OCT图像液体区域分割的深度卷积神经网络。PH-UNet网络通过捕获多尺度的上下文信息, 更好地利用信息提取和融合的方法对视网膜OCT图像中液体区域进行端到端的分割。将提出的模型对MICCAI RETOUCH数据集中三种视网膜液体视网膜内液体(IRF)、视网膜下液体(SRF)和色素上皮脱离(PED)进行分割并与其他经典的分割网络模型进行了比较, 在precision精确率、dice相似系数、mIoU平均交并比三种指标上取得了最佳效果证明了其优越性。

提出一种基于连续透射消光光谱的粒径测量方法。基于Mie散射理论和人工蜂群算法对颗粒粒径进行反演，结果表明，单峰分布时颗粒的体积频率分布曲线相对均方根误差（RRMSE）低至0.08%，双峰分布时颗粒的体积频率分布曲线RRMSE低至3.49%。用编号为GBW120134、GBW120024和GBW120041的聚苯乙烯乳胶标准颗粒进行了对比实验。结果表明，单峰分布时D50粒径的相对误差在10%以内，双峰分布时D50粒径的相对误差在20%以内。

在眼底图像的分类任务中，卷积神经网络(CNN)的应用较为普遍，但随着Transformer应用的推进，Vit(Vision Transformer)模型在医学图像的领域上展现了更高的性能。然而Vit模型通常需要在大型数据集上预训练，受医学图像获取成本较高的限制。因此，本文提出一种基于EfficientNet-Vit集成模型的眼底图像分类方法，此方法将卷积神经网络模型EfficientNetV2-S和Vit模型相结合，分别使用两种完全不同的方法提取眼底图像的特征，通过自适应加权融合算法计算得到最优加权因子0.6和0.4，利用加权软投票法进行模型集成，从而获得更好的分类结果。实验证明，相比于集成前，集成后的模型分类准确率分别提高了0.5%和1.6%。

光学相干层析成像(OCT)的质量通常会受到固有散斑噪声和低采样率的影响。为了在短扫描时间内获得高信噪比和高分辨率的OCT图像，本文提出了一种改进的OCT图像超分辨率重建网络模型PPECA-SRGAN。该模型将生成对抗网络(GAN)作为基础结构，可以不依赖配对数据集进行训练。在该模型的生成器残差块之间添加了金字塔注意力模块PANet，同时在判别器中加入了本文新提出的PECA模块，使其更加注重捕捉图像细节，提升模型对图像边缘纹理的重建能力。将所提PPECA-SRGAN模型在OCT图像数据集上进行实验，得到的峰值信噪比和结构相似性指标的平均值较当前三种经典模型的平均值分别约提高了3.5%和5.6%。实验结果表明，所提模型在鲁棒性和OCT图像细节重建方面较经典模型有较大提升。

眼底照相是获取眼部图像的主要技术之一。利用眼底相机对视网膜病变区域进行拍摄可以获得清晰的图像，从获取的图像中能够直接观察到眼球中的渗出物、出血点和微血管瘤，根据检测出的病灶类型、数量和位置等信息可进行糖尿病视网膜病变分类。基于此，本文利用深度神经网络对糖尿病视网膜病变进行自动分类识别，提出了一种体系结构简单、在通用设备上运行速度快的卷积神经网络CA-RepVGG(CA代表Channel Attention，RepVGG为现有模块)。利用单路极简结构的RepVGG模块替代复杂的可使用性较差的模块作为分类模型的主体部位，并选用高效通道注意力机制ECA替代压缩注意力机制SE，以此来提升模型对病变分级的能力。此外，本文还将CA-RepVGG模型与传统的分类模型VGG-16、Inception-V3、ResNet-50和ResNext-50模型进行了比较。从比较结果可以看出，虽然CA-RepVGG模型的参数量最大，但由于其是单分支结构，且只有3×3卷积块，因此它的模型复杂度并不高，分类速度很快，比另外4个模型中分类速度最快的ResNet-50还高出15.3%。另外，利用两个混淆矩阵展示了所提模型的分类结果，其在两个数据集上的准确度都超过了92.4%，精确度不低于91.6%，灵敏度在93.8%以上。从实验结果可知，所提模型不仅可对糖尿病视网膜病变进行分类，而且相比其他现有模型具有一定的优越性。若将该模型应用在临床上，可以提高专业眼科医生在眼科疾病上的诊断效率。