青光眼是目前世界上致盲率较高的一种眼科疾病。早期青光眼没有明显的症状,一旦患者发现视力下降和视野缺失时,往往已经达到青光眼晚期,病程不可逆转。在临床上,眼科医生使用彩色眼底图像对患者进行初步的眼底筛查。但目前眼科疾病的临床诊断严重依赖于眼科医生的医学经验,导致检查结果差异性较大。在大规模眼底检查中,医生需要花费大量的时间和精力,因而存在误诊和漏诊的现象。因此,本文使用计算机辅助诊断技术,通过结合图像处理和深度学习技术辅助眼科医生进行大规模眼底检查。在眼底图像中,青光眼疾病的发生常表现为视神经萎缩和视盘线状出血,即视盘、视杯和视网膜血管发生变化。因此,利用计算机实现视盘、视杯和视网膜血管等结构的准确分割和相关各项参数的测量,对青光眼疾病的初步筛查和后期诊断具有重要的意义。针对目前已有分割算法存在准确率不高、灵敏度较低和错误识别分割区域等问题,本文基于深度学习的基本理论,设计深度神经网络模型实现视网膜血管、视盘和视杯结构的分割,并利用分割结果计算临床参数来辅助眼科医生进行青光眼疾病的初步筛查工作。本文的主要工作如下:首先,针对已有血管分割算法对眼底图像中细小血管分割准确率不高以及灵敏度较低的问题,提出一种改进U型网络的眼底图像血管分割算法。该算法利用残差网络的思想,将传统卷积层串行连接方式改为残差映射相叠加的方式,并在卷积层之间加入批量归一化和PReLU激活函数对网络进行优化。算法在DRIVE和CHASE_DB1眼底数据库上进行实验,相较文献中最好的算法在准确率、灵敏度和AUC上平均提高了2.47%、0.21%和0.35%。其次,针对已有视盘视杯分割算法对眼底图像中视盘和视杯分割精度不高以及错误识别分割区域的问题,提出了一种利用深度学习技术实现眼底视盘视杯分割的算法。该算法通过设计全卷积神经网络并结合全连接条件随机场作为后处理来分割眼底图像中的视盘视杯区域。实验结果表明该算法改善了对视盘视杯区域边缘的识别,提高了分割的精度。最后,为了验证本文提出算法的实用性,本文在医院中采集到的50幅临床彩色眼底图像上进行实验,实现了青光眼疾病的初步筛查。利用本文提出的网络模型分割出视网膜血管、视盘和视杯结构,计算杯盘比、神经视网膜边缘比率和视网膜血管比率等临床参数来初步筛查青光眼疾病。实验表明,本文辨别疑似青光眼疾病的准确率可达96%。