糖尿病性视网膜病变（Diabetic Retinopathy,DR）是一种与长期糖尿病相关的眼部疾病,有着发病率高、危害性大、初期症状不明显的特点。如果在患病早期能够做出及时的诊断,可以有效地减缓患者视力损害的进展以避免失明。然而,检测DR需要训练有素的临床医生耗费大量时间仔细检查和评估患者视网膜的数字彩色眼底照片,这无疑增大了病情诊断的难度。近年来,由于深度学习在图像分类和目标检测等领域取得的巨大成功,人们认识到深度学习或许能够将诊断的过程变得高效且自动化。然而,DR图像存在类间差异较小、病变位置大小具有多样性、易受眼底血管组织的干扰、数据获取困难等一系列问题,因此DR分类方法的研究仍是一项困难重重的任务。为了解决上述问题,本文给出了两种新颖的分类方法:基于多支注意力机制的多通道信息交流网络和基于正则化的差异学习非对称自编码器预训练模型。第一种方法通过构建三条相同的分支网络分别分析处理图像的各个通道以解决采集过程中曝光过强或过弱导致的图像过亮、过暗或伪影的问题。此外,本文给出了一种多支注意力模块,不仅能够得到各个分支网络信息分析结果在不同表示子空间内的投影信息,还能实现一种有效的分段式自适应融合,从而为后续的分类任务提供更多经过权重筛选的语义信息以取得更优异的分类结果。第二种方法针对视网膜病变图像数据量小,网络鲁棒性差的问题,构造了一种非对称式自编码器预训练模型。基础网络能够通过这种方式构建预训练模型以在大型无标注数据集上进行预训练。此外,非对称的模型结构相较于传统的对称式自编码器预训练模型可以大大减少训练参数量,减小训练成本。在此基础上,本文引入了一项正则化,使得预训练模型能够依据输入图片空间距离的差值学习到图片之间的差异,从而为基础网络提供信息挖掘能力更强的参数来提高后续的分类精度。最后,本文使用上述两种模型在kaggle竞赛的APTOS数据集与其他方法进行了对比。结果表明,本次实验的方法可以有效地提高DR检测的分类精度。