基于深度学习（deep learning, DL）与眼超声生物图像显LXH254分子量微镜（ultrsound biomicroscopy, UBM）的图像通过对眼前端房角状态识别从而对青光眼疾病的临床诊断提供参考。以中国医科大学附属第四医院眼科诊室所提供的眼疾患者的UBM眼角图像为数据集，由眼科专家及所领导的小组将其分成寻找更多两组：正常眼角影像与房角闭合影像，并随机打乱数据集，将60%的图像数据作为实验用到的训练集，20%的图像数据作为测试集，其余图像数据用作验证集，以此作为样本参考。通过利用迁移学习对VGG16、VGG19、GoogleNet和Xception网络模型在数据集上得出相对应的结果，并在此结果上对VGG19网络模型进行优化改进，通过ROC曲线下的面积和分类效果的准确率等评价指标对模型的识别结果进行客观评价。模型识别的准确率达到了97.Microbial ecotoxicology1%，其区域面积为0.99。方法可以有效地对UBM影像中的青光眼房角区域进行准确的鉴别分类，从而促进人工智能在自主辨识方面的发展。