青光眼是排在全球第一位不可逆致盲眼科疾病,在我国随着人口老龄化的加剧,青光眼的发病率逐年递增,早发现早治疗对降低致盲率具有十分重要的现实意义。根据前房角（Anterior Chamber Angle,ACA）结构,可将青光眼分为开角青光眼和闭角青光眼。光学相干断层扫描（Optical Coherence Tomography,OCT）因其无损伤、非介入、快速等优点在青光眼辅助筛查中得到了广泛应用,房角镜检查则是目前临床医生对青光眼ACA等级分类的金标准。因此,针对以上两类图像中ACA特点,研究其有效的图像分类方法对实现青光眼的高效辅助诊断具有重要意义。深度学习方法是实现青光眼图像中ACA分类的重要手段,但其存在如下问题:（1）OCT图像中存在斑点噪声,而房角镜图像中存在高斯模糊,这些不利因素影响了基于深度学习算法的OCT和房角镜图像分类性能;（2）对于青光眼OCT图像中ACA三分类问题,现有的基于单卷积的模型其感受野单一,而基于多卷积的模型则忽略了不同尺度特征的相关性,因此深度学习模型在OCT中感兴趣区域（Region of Interest,ROI）变化较大时,难以准确提取其目标特征。（3）房角镜图像中ACA分类属于五分类问题,ACA关键结构较窄长,而现有低分辨率网络以及基于重建的高分辨率网络受网络结构的限制,易导致较窄长的特征在转换过程中出现丢失现象,因此会影响了ACA的精确分类。针对上述问题,本文主要开展了以下工作:首先,对OCT图像中的斑点噪声和房角镜图像中的高斯模糊,提出了两种相应的图像恢复算法,即基于引导滤波的OCT图像非局部均值去噪算法以及基于深度学习的去模糊算法。前者通过基于非局部信息的引导滤波算法,提取出原始图像的特征信息和灰度信息,由此估计原始噪声图像的相似度权重,并引入Boosting算法和迭代思想来进一步提升降噪效果,该方法在视网膜和ACA图像上均取得了良好的去噪效果。后者运用由粗到精的多尺度策略来处理模糊图像,同时利用基于全局信息的融合和重建网络来整合多尺度输出图,以改善全局空间信息。该方法在自然图像和房角镜图像上取得了良好的去模糊效果。其次,针对OCT图像中ROI所占区域变化范围大这一特点,提出了一种基于混合注意力的金字塔网络,实现对青光眼OCT图像中ACA的精确分级（即开角、窄角和闭角）的目的。该网络中金字塔卷积包含多尺度卷积核,利用每个尺度包含的不同深度和大小的滤波器,有效捕获手工特征建模无法获取的不同级别的细微视觉信息,并通过跳跃连接的方式挖掘不同特征间的相关性。此外,该网络引入了包括空间注意力和通道注意力机制的混合注意力模块,以凸显重要的空间和通道信息。在422张OCT图像上测试结果表明:该方法相比目前主流模型在精度,特异性,灵敏性及AUC（Area Under Curve）等指标上具有更优的分类性能,同时在降噪后的图像上上述指标皆有不同程度的提升。最后,针对房角镜图像中ACA关键特征细长这一特点,提出了一种基于混合注意力的高分辨率稠密连接网络。目前大多数网络模型均是将特征图从高分辨率低阶特征转换为低分辨率高阶特征,而本文提出的网络将保留高分辨率特征图,然后逐步引入低分辨率特征图,并将不同尺度和不同深度之间的特征图进行结合,来提升高分辨率和低分辨率的高阶特征表达能力,并通过引入混合注意力模块对分类任务有利的信息进行加强,以提升分类的准确率。在497张房角镜图像测试结果表明:该方法的准确率达到96.18%,相比the-state-of-art模型取得了更优的分类结果,同时在去模糊后的图像上各项指标均有一定程度提升,为实现房角镜自动高效分类提供了有效的途径。