随着世界范围近视人口比例的不断提高,病理性近视已成为致盲的主要原因之一。条纹损伤是高度近视进行性发展成病理性近视的一种重要临床表现,其尽早发现与定量分析有助于病理性近视的早防早治。吲哚青绿荧光造影（Indocyanine Green Angiography,ICGA）是临床诊断条纹损伤的“金标准”,但ICGA是一种有创成像技术,部分患者对吲哚青绿造影剂会产生不同程度的过敏反应。炫彩多色扫描激光成像技术（Multi-Color Scanning Laser Imaging,MCSLI）是一种新颖的无创成像技术,较其他无创成像技术能更清晰显影条纹损伤。因此,基于MCSLI图像进行条纹损伤的自动分割与分析是条纹损伤无创诊断的一种重要尝试,具有重要的临床意义。由于条纹损伤的形态多样、边界模糊以及背景噪声干扰大等原因,基于MCSLI图像的条纹损伤自动分割与分析极具挑战性。本文的主要工作和创新点总结如下:提出了一种基于多尺度与全局上下文融合的MCSLI图像中条纹损伤自动分割网络（Scale-Aware and Global Context Network,SGCNet）。SGCNet 由增加门控注意力和通道注意力的Attention U-Net作为基准网络,在编码器通道顶端设计并插入全局上下文与多尺度上下文特征融合（Multi-Scale and Global Context Fusion,SGCF）模块。SGCF模块主要由三个子模块组成:共享注意力图的全局上下文模块,基于膨胀卷积的多尺度上下文模块和基于空间注意力机制的特征融合模块。本方法在上海市第一人民医院眼科中心提供的86位患者的93张MCSLI图像数据集上进行了四折交叉验证,平均Dice达到65.1%,表明本方法可以有效的实现MCSLI图像中条纹损伤的自动分割。提出了一种两阶段与双监督的ICGA和MCSLI图像的双模态配准方法,以探讨MCSLI替代ICGA进行条纹损伤无创检测与诊断的可行性。本文提出由粗到细的两阶段配准方法,粗配准利用视盘作为特征,分别训练两个U-Net网络对ICGA与MCSLI图像中的视盘进行分割,利用视盘质心坐标经过平移操作初步将视盘质心对齐。精配准采用卷积神经网络直接回归仿射参数,在损失函数的设计中提出了双监督训练策略:基于仿射参数计算的均方根误差（Root Mean Square Error,RMSE）损失函数作为有监督训练,基于视盘标签计算的Dice损失函数作为弱监督训练。本方法在上海市第一人民医院提供的来自85位患者的117对ICGA和MCSLI图像数据集上进行了五折交叉验证实验,五对关键点的平均RMSE与中位数RMSE分别达到了4.79和4.42,视盘掩模的平均Dice和中位数分别达到了 87.4%和88.8%,表明本方法可以有效实现ICGA与MCSLI的双模态配准。基于ICGA和MCSLI图像的双模态配准技术,将MCSLI中条纹损伤分割结果与ICGA金标准进行了对比分析,分析结果表明目前MCSLI尚不能完全取代ICGA进行条纹损伤的无创检测与诊断,但可用于条纹损伤的早期无创筛查。