视网膜结构的变化可以反映出视网膜组织的各种病理变化、生理变化,以及视网膜末端器官的损伤程度。研究视网膜层的分割算法,并对特定的层组织结构进行分析,这对临床医学上糖尿病、高血压、动脉硬化等疾病的诊断、治疗以及评估有着重大的意义。在进行视网膜层分割的基础上,对视网膜层组织中的血管网进行研究和分析,能有效地帮助眼科医生对病变区域的定位观察,将有助于临床医学上对视网膜相关疾病的诊断和治疗。在此背景下,本文研究了基于相干光断层扫描成像的视网膜图像的层分割算法,并在此基础上,对指定范围内的视网膜层组织进行提取;同时利用常规眼底图和相干光断层扫描成像的视网膜图像,对相干光断层扫描成像的视网膜图像的投影图中的血管分叉点进行了检测研究。本文提出了一种基于视网膜层厚统计信息和最短路径算法相结合的视网膜分割方法。通过视网膜各层的层厚统计数据,对最短路径算法的搜索区域进行约束,迭代地对相干光断层扫描成像的视网膜图像的层边界进行检测,实现了对视网膜各层的精确分割。除此之外,本文提出了一种基于迁移学习模型——自适应支持向量机的血管分叉点检测方法。迁移学习指的是一种学习对另一种学习的影响,即利用从一个环境中学到的知识来帮助新环境中的学习任务。本文将该分叉点检测问题转换为对应的分类问题,利用从眼底图中的血管分叉点学习到的知识来帮助实现OCT视网膜投影图中的血管分叉点分类,最后依据分类结果实现OCT视网膜投影图中血管分叉点的检测。