作为病人疾病检测的重要依据,眼底图像在医学领域有着广泛的使用。眼底图像不仅可以反映出病人眼睛相关疾病情况,而且一些其他全身性疾病也会在眼底图像有着直观的反映,比如高血压、心脏病等。在医疗诊断过程中,对病人眼底进行采样形成的眼底图像,是医生诊断眼底病变的依据,医生通过对眼底图像的判读来分析病人所患病症。相较于从病人眼球中直接提取信息,眼底图像为医生提供了一个更直观、更清晰的判断依据,这使得眼底疾病诊断变得更加有效,在提升了医生诊断效率的同时也为患者提供了更准确的诊断结果。更进一步来说,在医生进行诊断前通过计算机技术对眼底图像进行预处理,为医生提供部分或全部可供参考的诊断报告能够更好的帮助医生和病人,这便是辅助医疗诊断的研究意义。本文中OCT（Optical Coherence Tomography）图像黄斑水肿分割工作主要分为聚类分割和水平集分割两部分。在聚类分割的工作中,完整分割流程包括图像前处理,聚类分割和结果优化三个步骤。前处理步骤主要工作总结为:对待分割的图像做背景切除,在保证图像质量的情况下降低需要处理的像素数据;说明中智理论在图像分割中的应用,使用中智域转换完成图像去噪;结合中智图像特性获取黄斑水肿/积液区域位置坐标。在聚类分割阶段,本文首先测试了一些基于模糊C-均值聚类（Fuzzy C-means,FCM）方法的改进算法在黄斑水肿分割上的性能表现,发现仅仅依靠像素强度或局部像素特征无法获得分割性能上的提升;因此根据OCT图像积液分布特性,提出在FCM原型目标函数中加入位置偏移限制项,使得位置偏移度量可以加入到隶属度计算;在初始聚类参数设置上,使用前处理过程获得的积液位置构建初始聚类中心,提升聚类算法时间效率。在结果优化阶段,对聚类分割获得的积液区域分布筛选,剔除在数据集中规律分布的误分割区域,达到分割效果的进一步提升。在水平集分割的工作中,分割分为前处理和水平集分割两部分进行。前处理部分对待分割图像做最大连通域提取作为后续分割的ROI（region of interest）。在水平集分割阶段,讨论了C-V（Chan and Vese）模型在弱边缘识别上存在的不足,提出结合两组图像特性的联合能量驱动项进行区域演化分割,实现了对OCT图像弱边界的识别;为了准确收敛到想要的积液区域边界,基于OCT图像积液区域特性引入演化控制函数,最终实现演化曲线在积液区域边界的停止。