在眼科显微手术中，传统的术中成像方式由于缺少深度信息，限制了内部结构和手术器械的可视化。光学相干层析成像技术(OCT)是一种非接触式断层成像技术，由于其能提供深度信息、非侵入、成像快、分辨率高等优点，被广泛应用于眼科手术的术中导航。典型的OCT设备可分为手持OCT和显微镜集成OCT。本文简要介绍了时域OCT和频域OCT的原理和发展，回顾了OCT眼科手术导航设备的发展历程，并对各个类别中有代表性的OCT系统进行了介绍，对其成像原理、性能、优缺点等进行了描述和对比，最后对该技术在眼科手术中的应用做出了总结和展望。

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。

针对现有血管内超声(IVUS)图像分割网络不能保证分割结果之间的拓扑关系符合医学先验知识，影响后续临床参数计算的问题，提出了一种基于极坐标建模和密集距离回归网络的IVUS图像分割方法。首先通过极坐标建模将含有先验知识的二维掩膜编码为一维距离向量；然后构建一个结合残差网络和语义嵌入模块的密集距离回归网络，用于学习IVUS图像和一维距离向量之间的映射关系。同时提出联合损失函数约束网络的学习方向。预测结果最终通过样条曲线拟合被重建为二维掩模。实验结果表明，所提方法在血管、管腔和斑块区域的分割结果拓扑关系100%符合先验知识，Jaccard测量值分别达到0.89、0.87和0.74。该算法适用于一般的IVUS图像分割，分割结果中血管结构定位准确，拓扑关系正确，可提供可靠的临床参数。

纤维状光电探测器因具有柔性可编织、全角度光探测等特性，有望在可穿戴电子领域取得广泛应用。现已报道的纤维状光电探测器多采用无机光敏材料，器件存在机械柔性受限、制备工艺复杂等问题。本文提出制备纤维状有机光电探测器(FOPD)，采用浸渍提拉法依次在锌丝表面制备电子传输层(ZnO)、有机体异质结光敏层(PBDB-T:ITIC-Th)和空穴传输层(PEDOT:PSS)等功能层，最后缠绕银丝或碳纳米管纤维(CNT)作为外电极，制备了两种柔性FOPD。结果表明，两种器件在可见光波段均具有优良的响应，整流特性明显，在?0.5 V偏压下比探测率均可达10¹¹ Jones (300 nm~760 nm)。其中，CNT外电极与光敏层的界面接触更佳，器件具有更低的暗电流密度(9.5×10^?8 A cm^?2，?0.5 V)和更快的响应速度(上升、下降时间：0.88 ms、6.00 ms)。本文的研究有望为柔性纤维器件和可穿戴电子领域的发展提供新思路。

基于显微成像技术的肿瘤分级对于乳腺癌诊断和预后有着重要的意义, 且诊断结果需具备高精度和可解释性。目前，集成Attention的CNN模块深度网络归纳偏差能力较强，但可解释性较差；而基于ViT块的深度网络其可解释性较好，但归纳偏差能力较弱。本文通过融合ViT块和集成Attention的CNN块，提出了一种端到端的自适应模型融合的深度网络。由于现有模型融合方法存在负融合现象，无法保证ViT块和集成Attention的CNN块同时具有良好的特征表示能力；另外，两种特征表示之间相似度高且冗余信息多，导致模型融合能力较差。为此，本文提出一种包含多目标优化、自适应特征表示度量和自适应特征融合的自适应模型融合方法，有效地提高了模型的融合能力。实验表明本文模型的准确率达到95.14%, 相比ViT-B/16提升了9.73%，比FABNet提升了7.6%；模型的可视化图更加关注细胞核异型的区域(例如巨型核、多形核、多核和深色核)，与病理专家所关注的区域更加吻合。整体而言，本文所提出的模型在精度和可解释性上均优于当前最先进的(state of the art)模型。

针对少量样本条件下模型易过拟合、目标错检与漏检问题，本文基于TFA (two-stage fine-tuning approach)提出了一种在线推断校准的小样本目标检测框架。该框架设计了一种全新的Attention-FPN网络，通过建模特征通道间的依赖关系选择性融合特征，结合分级冻结的学习机制引导RPN模块提取正确的新类前景目标；同时，构建了一种在线校准模块对样本进行实例分割编码，对众多候选目标进行评分重加权处理，纠正误检和漏检的预测目标。结果表明，所提算法在VOC数据集Novel Set1中，五个任务的平均nAP50提升10.16%，在性能上优于目前的主流算法。

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。