利用光学相干断层技术（OCT）产生的视网膜疾病图像是分类眼科疾病的重要措施。目的是利用四种不同分类模型的迁移学习方法对糖尿病黄斑水肿、老年性黄斑变性、玻璃疣三种病变的OCT视网膜图像进行自动分类, 实现迁移学习在OCT图像分类上的应用。将VGG-16、Inception V3、MobileNet V2、ShuffleNet-V2这四种神经网络模型在大规模图像分类数据集预训练好后, 进行模型微调和训练参数更新, 进而找到实现上述三种眼科疾病自动分类的最优模型, 达到高效的OCT视网膜病变自动分类效果。实验结果表明, 四种模型中轻量型MobileNet V2经模型微调后的评价指标优于其他模型。

在眼底图像的分类任务中，卷积神经网络(CNN)的应用较为普遍，但随着Transformer应用的推进，Vit(Vision Transformer)模型在医学图像的领域上展现了更高的性能。然而Vit模型通常需要在大型数据集上预训练，受医学图像获取成本较高的限制。因此，本文提出一种基于EfficientNet-Vit集成模型的眼底图像分类方法，此方法将卷积神经网络模型EfficientNetV2-S和Vit模型相结合，分别使用两种完全不同的方法提取眼底图像的特征，通过自适应加权融合算法计算得到最优加权因子0.6和0.4，利用加权软投票法进行模型集成，从而获得更好的分类结果。实验证明，相比于集成前，集成后的模型分类准确率分别提高了0.5%和1.6%。

光学相干层析成像(OCT)的质量通常会受到固有散斑噪声和低采样率的影响。为了在短扫描时间内获得高信噪比和高分辨率的OCT图像，本文提出了一种改进的OCT图像超分辨率重建网络模型PPECA-SRGAN。该模型将生成对抗网络(GAN)作为基础结构，可以不依赖配对数据集进行训练。在该模型的生成器残差块之间添加了金字塔注意力模块PANet，同时在判别器中加入了本文新提出的PECA模块，使其更加注重捕捉图像细节，提升模型对图像边缘纹理的重建能力。将所提PPECA-SRGAN模型在OCT图像数据集上进行实验，得到的峰值信噪比和结构相似性指标的平均值较当前三种经典模型的平均值分别约提高了3.5%和5.6%。实验结果表明，所提模型在鲁棒性和OCT图像细节重建方面较经典模型有较大提升。