精准的视网膜血管分割可以辅助诊疗如糖尿病、高血压等疾病。眼睛血管结构和病理特征的复杂性导致血管分割的精度和速度都存在很多局限。为了克服这一问题，提出了一种改进的U-net分割方法，该方法将U-net网络解码器和编码器中的卷积模块改为残差模块，使用非局部注意模块连接编码器和解码器。网络模型在不增加参数量的情况下，通过添加残差模块和注意力机制提高了像素之间的信息相关性以及模型提取特征的能力。最后，采用DRIVE数据集对所提模型与原U-net网络进行对比评价，新模型在测试集上的特征检测准确率、特异性、灵敏度和Dice系数分别达到了0.9679、0.9896、0.8245和0.8281。实验结果证明，所提网络模型可对视网膜进行精确地血管分割。

为克服非相干光源照明条件下基于全息光学元件的视网膜投影显示系统存在的色散、出瞳小、无法获得单眼调焦深度信息等局限，提出了一种基于双全息光学元件的3D视网膜投影显示器。用全息光学元件取代玻璃透镜，用发光二极管取代激光。用反射型体全息光栅和反射型体全息透镜构成的光学结构对系统的色散进行补偿，获得了清晰的图像，系统分辨率达到11.6 lp/mm。结合双全息光学元件结构，利用时分复用技术和角度复用技术实现了具有密集视点的3D视网膜投影显示。该结构可有效扩展系统的出瞳，解决视网膜投影显示系统出瞳小的问题。同时在0.45~2.0 m的深度范围内，实现具有单眼调焦深度信息的真3D显示，显示范围覆盖人眼的辐辏调焦响应敏感范围，可有效缓解辐辏调焦矛盾引起的眩晕和视觉疲劳问题。该系统结构紧凑、价格便宜且避免了散斑噪音和安全隐患，具有良好的应用前景。

糖尿病视网膜病变是糖尿病最常见也是最严重的并发症之一。为提高对糖尿病视网膜病变严重程度的诊断准确率，进一步为糖尿病视网膜病变治疗的精准用药提供依据，提出一种新型的特征融合网络模型。首先利用轻量化网络EfficientNet-B0提取眼底图像的不同层特征，使用高层特征结合三个不同空洞率的空洞卷积形成多尺度特征。然后引入多尺度通道注意力模块（MS-CAM），赋予高层特征和低层特征新的权重，对高低层特征进行融合，形成最终的特征表征，从而完成对糖尿病视网膜病变严重程度的分类。实验结果表明，所提模型的分类准确率达85.25%，表明其具有较好的可行性，在临床上给医生诊断起到了辅助作用，能更有效地预防糖尿病视网膜病变的进一步恶化。

基于眼底图像的视网膜血管精确分割对眼科疾病诊断意义重大。但视网膜血管结构高度复杂，多尺度及前、背景比例失衡，自动分割困难。因此，本文提出自适应补偿网络（SACom）实现端到端的视网膜血管精确分割。SACom以U型网络为基本框架，首先在编码器端引入可变形卷积提高复杂血管结构信息学习能力；然后在U型网络底部设计自适应多尺度对齐上下文模块提取并聚合多尺度上下文信息，对齐上下文特征；最后在解码器端设计协同补偿分支，融合多级输出提升模型的映射能力，实现精细分割。实验结果表明，SACom可有效提高视网膜血管的分割精度，在DRIVE、CHASE_DB1和STARE三个公共数据集上的准确率分别达到0.9695、0.9763和0.9753，灵敏度分别达到0.8403、0.8748和0.8506，曲线下面积（AUC）分别达到0.9880、0.9917和0.9919。

针对沙尘环境下室外图像存在的色差，低对比度以及低清晰度的问题，提出一种基于RGB色彩平衡方法的沙尘降质图像增强算法，该算法主要包括色彩校正、对比度提升两个任务。针对沙尘图像色彩分布的特殊性以及灰色世界算法的启示，提出了保持颜色分量均值的RGB色彩平衡方法（RGBCbm），使得RGB三通道分量根据颜色分量的均值进行拉伸，有效去除了图像中沙尘造成的色幕问题，进一步采用带色彩恢复的多尺度视网膜增强算法提高色彩校正结果；利用相对全局直方图拉伸算法结合Lab颜色模型对图像的对比度、色彩以及明亮度进行最后的增强和校正。对实验数据进行测试，结果表明，该算法可以有效解决各类沙尘降质图像的色差问题，并在提高图像色彩丰富性和对比度的同时增强图像细节的清晰度。与其他先进算法相比，水下图像质量指数和图像对比度指数分别达到了0.602和0.994，分别提高了0.140和0.018。

目前VR/AR（虚拟现实/增强现实）显示技术深受市场欢迎，应用十分广泛，国内外各类近眼显示设备也深受消费者的青睐，各类近眼显示设备成像原理和采用的光学元件各有不同。本文对当下各种近眼显示成像技术进行了概括和分类，介绍了目前比较常见的几类近眼显示光学系统。针对双目视差显示系统、视网膜成像显示系统、集成成像近眼显示系统和全息技术近眼显示系统进行了介绍，深入剖析了几种典型近眼显示系统的技术原理和光路结构。提出了一种双目视网膜投影成像三维（3D）显示装置，将双目视差技术与视网膜投影技术相结合，实现了结构紧凑、无辐辏聚焦冲突、高清晰度的视网膜投影成像立体显示效果。对各类近眼显示技术的发展、更新以及各自技术的特点和研究进展进行了归纳总结，对近眼显示技术的发展方向进行了展望。

视网膜光生理是视网膜在受到光刺激后产生的一系列生理反应，在一定程度上可以客观反映视网膜的功能。其中，视网膜光图技术（ORG）是一种新近发展起来的、可以精确量化视网膜光生理响应的功能成像技术，它通过光学相干层析成像（OCT）配合可见光刺激，结合峰值检测与散射强度分析，精确测量视网膜在受到光刺激后产生的形态和光学特性变化，而通过与自适应光学技术及相位分析技术相结合，可以达到微米级的横向分辨力、纳米级的轴向空间分辨力和毫秒级的时间分辨力，能够实现对视网膜单细胞级别的光生理功能成像。在硬件上，ORG只需要在OCT系统上增加一个光刺激单元，尽管目前尚处于技术开发与信号机理探索阶段，但在未来形成一系列的标准后，有望在眼科基础研究与临床诊断中获得广泛的应用。系统回溯了采用OCT进行视网膜光生理功能成像的历史，总结了ORG的最新进展，并讨论了未来ORG的几个潜在发展方向。

针对视网膜血管分割中有标签图像数据有限、血管结构复杂尺度不一且易受病变区域干扰等问题，提出一种多尺度密集注意力网络用于视网膜血管分割。首先，以U-Net架构为基础，引入并行空间和通道挤压激励注意力密集块（scSE-DB）代替传统卷积层，加强特征传播能力，实现了对特征信息的双重校准，使模型能更好地识别血管像素；其次，在网络底端嵌入级联空洞卷积模块，以捕获多尺度血管特征信息，提升网络获取深层语义特征的能力；最后，在公共数据集DRIVE、CHASE_DB1和STARE上进行实验，所提网络的准确率分别为96.50%、96.62%和96.75%，灵敏度分别为84.17%、83.34%和80.39%，特异性分别为98.22%、97.95%和98.67%。所提网络的整体分割性能优于现有多数先进算法。

糖尿病视网膜病变(Diabetic Retinopathy，DR)是糖尿病的一个常见的急性阶段，可引起视网膜的视功能异常。针对视网膜眼底图像病灶区域识别困难以及分级效率不高等问题，本文提出一种基于注意力机制多特征融合的算法来对DR进行诊断分级。首先对输入的图像采用高斯滤波等形态学预处理来提升眼底图像特征对比度；然后用ResNeSt50残差网络作为模型的骨干，引入多尺度特征增强模块对视网膜病变图像病变区域进行特征增强，提高分级准确率；再后利用图形特征融合模块对主干输出的特征增强后的局部特征进行信息融合；最后采用中心损失和焦点损失组合的加权损失函数进一步提升分类效果。在印度糖尿病视网膜病变(IDRID)数据集中灵敏度和特异性分别为95.65%和91.17%，二次加权一致性检验系数为90.38%。在Kaggle比赛数据集中准确率为84.41%，受试者工作特征曲线下的面积为90.36%。仿真实验表明，本文算法在糖尿病视网膜病变分级中具有一定的应用价值。

针对视网膜血管分割任务中存在的毛细血管分割遗漏和断连的问题，从最大限度地利用视网膜血管的特征信息的角度出发，添补视网膜血管的全局结构信息和边界信息，在U型网络的基础上，提出边界注意力辅助的动态图卷积视网膜血管分割网络。本模型先将动态图卷积嵌入到U型网络中形成多尺度结构，提升模型获取全局结构信息的能力，以提高分割质量，再利用边界注意力网络辅助模型，增加模型对边界信息的关注度，进一步提高分割性能。将模型在DRIVE、CHASEDB1和STARE三个视网膜图像数据集上进行实验，均取得了较好的分割效果。实验结果证明，该模型能较好地区分噪声和毛细血管，分割出结构较完整的视网膜血管，具有泛化性和鲁棒性。