食管是炎症和肿瘤发生的常见部位,由于其前期病症不明确且不易被检测,通常病情发现已是中晚期,大大增加了后续治疗难度,因此食管疾病的早期诊断与干预十分必要。光学相干层析成像技术(Optical Coherence Tomography,OCT)具有无创伤、实时、高分辨率成像等特点,通过与内窥镜技术结合,常被用于内窥疾病的诊断中。研究表明食管各组织层厚与疾病密切相关,但当面对大量采集到的OCT图像,仅凭人工手动标注,既耗时又耗力,因此设计一套适用于内窥食管OCT图像的自动分割算法具有重要意义。针对小样本量,本文设计了一套结合超像素的测地距离方法用于内窥食管OCT图像分割。首先针对图像本身分割难点,提出了一套预处理流程,实现噪声抑制和干扰去除,为后续分割打下基础。其次对于测地距离方法易陷入局部最优问题,在具体分割边界时本文使用了先粗定位再细分割策略实现为边界自适应限定搜索区域,该策略不仅能够分割层厚均匀图像,对于层厚变化较大的图像也能进行有效处理。针对较大样本量,本文又对内窥食管OCT图像运用了深度学习方法进行处理分析,基于U-Net模型提出了两种改进方法:双阶段U-Net框架和SEN-Net模型。双阶段U-Net框架先对图像进行二分类,将有效组织区域与背景区域分离,再将二分类结果与原图像做掩膜送入第二阶段做多分类,实现最终分割效果。在具体分割网络中加入了池化索引模块,有效提高了二分类结果。该方法通过将两个简单的改进U-Net模型形成一个双阶段处理框架,可以有效避免分割结果拓扑结构不完整问题,但该整体实验流程不能完全实现端对端操作,因此又提出了 SEN-Net模型。该模型引入了池化索引、金字塔图像输入和SE-block三个模块,共同影响网络的最终分割效果。以上方法均在两只健康豚鼠和一只患有嗜酸性粒细胞性食管炎(Eosinophilic Esophagitis,EoE)病变模型上进行了实验,并与其他算法进行了比较。实验结果显示,结合超像素的测地距离方法在进行组织层分割时,结果与人工平均层厚绝对误差最大可达1.25μm,与人工平均边界绝对误差最大为3.11μm,相较于其他算法都更接近人工标注。双阶段U-Net框架的Dice相似性系数与人工标注相比各层均在78.49%以上,证明该方法的有效性。通过消融实验,SEN-Net模型中三个模块的引入与原始U-Net模型相比各层Dice相似性系数均有1%～2%的提升,对于EoE病变模型,最大提升可达5.98%,最终实现内窥食管OCT图像组织层准确分割。