角膜炎是一种常见的眼科疾病,是我国主要致盲眼病之一。隐形眼镜的佩戴和眼部手术的普及大大增加了角膜炎的患病率。角膜炎患者若不接受及时的治疗或手术,必然会影响视力,严重者甚至会使角膜遭受不可逆转的损伤,最后导致眼睛失明,这极大地影响了人们的生活。近年来,随着机器学习领域的不断发展,计算机辅助诊断成为了一种新型的医疗模式,这为改善角膜炎的医疗现状提供了一个新的研究方向。裂隙灯检查是眼科临床中的一项常见且重要的检查,它为医生直观展现了患者的角膜真实形态,提供了诊断依据,同时也为角膜炎计算机辅助诊断提供了数据资源,使得将计算机技术应用于角膜炎的诊断成为可能。本文基于机器学习的方法,采用中山大学眼科中心收集的眼部裂隙灯图像对角膜炎辅助诊断问题进行研究。主要包含角膜炎图像分类和分级两部分工作。在角膜炎图像分类中,本文首先采用了传统机器学习的方法,对裂隙灯图像通过将LBP和SIFT特征提取方法与SVM、RBF、随机森林和kNN等分类算法相结合,构建出8种角膜炎分类模型,并对这些分类模型进行分析比较。然后采用了在图像分类领域有出色表现的深度学习网络,采用迁移学习的方法,基于Inception v4和残差网络ResNet两个卷积神经网络模型训练出角膜炎图像分类模型,并比较分析了这两个分类模型。在分类模型训练过程中,本文采用了多种参数优化方法,提高了模型的泛化能力,使准确率得到很大的提升。在角膜炎图像分级中,本文使用卷积神经网络对角膜炎阶段和边缘是否清晰这两个属性分别训练了角膜炎图像分级模型,评估了角膜炎的严重程度,并对比分析了分级模型。在分级模型训练过程中,本文采用了数据增强和代价敏感方法来减小不平衡数据集带来的影响,大大减小了漏诊率,同时提高了模型的准确率。在角膜炎图像分类中,卷积神经网络的准确率最高达到了92.24%,超过了传统机器学习方法的最高准确率81.20%,说明卷积神经网络相比传统机器学习方法在角膜炎图像分类上更具优势。在角膜炎图像分级中,基于Inception v4的网络模型在角膜炎阶段和边缘是否清晰的准确率达到89.38%和86.73%,召回率达到92.59%和93.55%,大大地减少了漏诊率。从整体来看,本文研究的卷积神经网络模型的分类分级结果可以作为眼科医生诊断角膜炎的参考。