近年来,深度学习技术被应用于各种医学影像分析任务,在眼科疾病智能预测任务上也吸引了广泛的研究,然而仍面临以下问题:（1）当前的大多数研究仅使用单一模态影像作为模型辅助诊断疾病的输入,不符合临床时大多数眼病诊断的实际流程。此外,眼科疾病种类繁多且发生率严重不平衡,存在众多罕见眼科疾病,而现有研究使用的影像数据大多疾病种类分布均衡且疾病种类数量较少,这限制了深度学习技术在现实临床场景中的应用。（2）其次当前在传统场景的深度学习领域,数据标注与获取较为简单,而在对标注者专业程度要求高的眼科影像上,数据获取与标注较为困难,造成了大量有价值的眼科影像数据无法得到人工智能的利用,阻碍了深度学习技术在眼科影像领域的发展。（3）最后,当前的研究缺乏一个可以专业支持多种眼科疾病智能辅助诊断任务的模型部署平台。针对上述问题,本文的主要研究内容及成果分别如下:（1）提出了一种多模态眼科影像卷积神经网络M2LC-Net,可以有效利用多模态眼科影像提高眼科疾病分类的准确度,可以解决在临床场景中疾病种类分布不均衡带来的长尾类别分类效果差的问题,同时使用Grad-CAM模块可视化M2LC-Net对疾病预测的贡献,为模型预测结果提供可解释性。M2LC-Net在三级甲等医院的34396张图像中得到了有效验证,与最新技术相比,各种性能指标得到了显著提高。其中Cohen’s Kappa系数提高了3.21%。（2）研究并实现一个基于深度学习的眼科数据采集与标注平台,通过架构设计完成眼科数据采集与标注通路,并通过为标注系统赋能深度学习能力,提供模型预标注能力,有效提高眼科影像标注领域的标注效率。实现的眼科影像标注系统已落地两家实验室合作单位的眼科医院使用,累计标注60000张以上的眼科影像,支撑着实验室相关的眼科影像人工智能算法研究与落地。（3）研究并实现一个面向眼科影像的多模态智能疾病辅助诊断系统,提供多种眼科疾病的智能识别细分任务的模型部署,以及可视化预测能力。实现的眼科影像的多模态辅助诊断系统,已经集成多类眼科疾病人工智能模型的部署。