人的视网膜十分脆弱,极易遭到破坏,使患者的视力受到不同程度的损伤。年龄是影响视力的重要因素之一,随着我国老龄化程度不断加深,眼科疾病诊疗的需求急剧增加。OCT是近年来广泛应用于眼科疾病诊断的新型成像技术,在临床中,眼科医师往往需要在短时间内处理庞大的OCT图像数据,这不仅使医生的工作压力不断增加,而且增大了误诊的机率,使患者不能得到及时有效的治疗。为解决这种眼科疾病患者多、医生少,医疗压力巨大的问题,开发一种基于OCT图像的视网膜疾病自动检测系统具有重要的意义。本文采用机器学习方法,针对基于OCT图像的视网膜疾病自动检测系统中的核心问题:视网膜OCT图像的分类进行研究,论文的主要工作包括:1、将LPQ特征应用于视网膜疾病检测中,提出了基于LPQ特征与支持向量机的视网膜OCT图像分类算法,并和常见的几种特征:LBP特征、SIFT特征以及Gabor特征进行了对比实验。实验结果表明,LPQ特征在视网膜OCT图像分类中具有良好的性能。2、将典型相关分析（CCA）运用于视网膜疾病检测中,提出了两种使用CCA的视网膜疾病自动检测算法:一是将CCA应用于分类器的设计,二是将CCA用于特征融合。实验表明第一种算法可以得到和SVM相接近的识别率,且计算速度较快;第二种算法将两种特征进行融合,再用SVM进行分类,和使用单一特征相比,识别率均有提高。尤其是将LPQ与LBP特征融合时,识别率有明显提高。3、提出了结合LPQ特征和基于空间金字塔匹配的稀疏编码（Sc SPM）的视网膜疾病检测算法:将所有OCT图像分割成固定大小的图像片,随机选取若干图像片提取其LPQ特征,利用这些特征学习字典,然后用学习到的字典对所有图像片进行稀疏编码,再采用空间金字塔池化方法得到每幅图像的特征向量,最后用SVM对图像分类。实验结果表明,该方法的识别率远远优于常见的视网膜OCT图像分类算法。