近几年,卷积神经网络在医疗领域发挥着越来越大的作用,解决了医学上很多棘手问题,将卷积神经网络应用在医疗图像识别方面,可以很大程度上提高图像识别率。糖尿病视网膜病变在实际诊断中会出现病变特征难以用肉眼区分,识别率较低,并且依赖于眼科医生的临床经验等问题。目前,使用卷积神经网络对糖尿病视网膜病变进行分类可以为医生提供可靠的判断依据,本文提出了一种基于注意力卷积神经网络的方法对糖尿病视网膜病变进行分类,主要从网络结构方面入手进行如下研究:首先,传统的DenseNet虽然缓解了梯度消失问题,加强了特征重用且有利于特征的传播。但是由于每两层之间都有直接的连接,所以会出现过度拟合和大内存消耗问题。针对这些问题,提出了2-DenseNet模型。先对原始数据集进行去噪、图像归一化、去除黑边、数据增强等预处理。然后,搭建2-DenseNet模型并设置模型参数。最后,对预处理后的图像进行训练和测试,由实验结果可知,此模型减少了网络中的参数,提高了网络收敛速度和泛化能力。其次,在卷积神经网络中引入注意力机制,使得网络可以自动获取到图像特征通道中的重要信息。已有研究表明,在ResNet、Inception、Inception-ResNet传统网络中加入SE注意力模块会明显提高网络性能,为了进一步提高网络性能,本文对SE模块进行了改进,提出了一种新的注意力机制模块。将该注意力模块嵌入到2-DenseNet模型中,指导网络关注视网膜图像中的渗出物、厚血管、微动脉瘤等特征,使用改进后的模型对预处理后的图像进行训练并测试,可以进一步降低分类错误率,提高网络性能和分类精度。通过一系列的对比实验,验证了本文模型对糖尿病视网膜病变的分类识别率和网络性能均高于其他模型。