随着经济的快速发展,人们对健康的要求越来越高。眼科疾病往往危害到人们的视力,因此受到了广泛关注。光学相干断层扫描（Optical Coherence Tomography OCT）成像技术可以呈现高分辨率的视网膜图像,疾病引起的视网膜组织环境变化可以被观察到。一种常见的症状是黄斑水肿,这是视网膜毛细血管渗漏形成的肿胀。自动的计算机辅助算法可以帮助医生快速识别OCT扫描切片中的病灶。已经有一些深度学习方法提出来用于视网膜液体的分割,然而很多方法不能很好的处理液体边缘的像素点,同时存在分割过程中邻近的液体被合并的问题。本文提出的两个方法可以缓解这两个问题。常见的视网膜液体分割问题大致可分为两类:单类和多类视网膜液体分割。针对这两个问题本文分别提出了对应的解决方案进行研究。针对单类液体分割问题提出了一种多任务的分割模型,同时预测距离图和概率图。距离图可以帮助模型将邻近的液体分隔开。基于边界的注意力机制和通道注意力机制可以对低级和高级特征进行处理,基于边界的注意力机制可以增强模型前期的卷积层对液体细节信息的提取。解码器中多尺度的特征图中的特征并不都是对液体的分割有积极贡献的。因此通道注意力机制对多尺度的特征图按通道进行选择,提高模型的高级特征的提取。在公开的数据集上对提出的方法进行了验证。对于多类视网膜液体分割问题,数据的标注需要有经验的专家进行。同时这些病灶和正常组织的区别往往不是很明显。因此这些图像的标注,尤其是像素级标注成本昂贵。对此提出了不确定性引导的半监督框架用于OCT图像中多类视网膜液体的分割。这种框架可以利用大量的无标注数据提高分割模型的性能。这个框架包含了两个共享结构的教师和学生模型。同样使用了距离图。相较于单类液体,多类液体的边界部分更难界定,因此引入了轮廓图作为距离图预测的每一个液体区域的边界。引入的选择性核模块（Selective Kernel Module SKM）可以根据液体的大小自适应调整网络的感受野,使模型找到一个适中的感受野以适应不同尺度的液体区域。在一个公开的数据集上进行了实验,结果表明这个方法是有效的。