糖尿病性眼底视网膜病变简称糖网病变,是一种危害糖尿病患者视力健康的常见眼部并发症,常规的糖网病变检查方法具有准确率不稳定或存在过敏反应等缺陷。本文基于深度学习技术,提出了眼底视网膜血管分割模型和糖网病变分类识别模型,并实现了自动化的糖网病变检测应用。本研究旨在利用计算机技术辅助医生对患者进行高效准确的诊断,主要工作内容如下。本文提出了一种基于DCHAU-Net的视网膜血管分割模型,该模型主要对常规的U-Net结构中特征提取、池化和跳跃连接模块进行改进,具体的改进点为:（1）针对传统卷积难以提取到发生未知形变后的血管像素点特征这一问题,提出了使用可变形卷积模块,该结构可有效地适应变化的目标特征;（2）针对U-Net编码器中的池化操作容易遗漏图像细节信息这一问题,提出了在压缩路径中使用空洞卷积模块,这种结构可以在保障图像尺寸不变的情况下增加图像的感受野面积;（3）针对编码器与解码器在进行特征拼接时会受到噪声干扰这一问题,提出了在跳跃链接中添加注意力门限网络,该结构通过抑制背景区域以增强血管像素特征。将所提出的DCHAU-Net模型在公开的眼底数据集上进行测试以评估模型性能,模型在DRIVE数据集上的准确率为0.9555,灵敏度为0.8291,特异性为0.9740,AUC值为0.9805。并将本文模型与其他模型进行对比,综合得出本文所提改进后的DCHAU-Net模型对于眼底视网膜血管具有较好的分割效果。本文提出了一种基于改进的Res Ne St糖网病变分类识别模型,该模型主要针对原始Res Ne St模型的注意力模块和损失函数进行改进,具体的改进点为:（1）针对原Res Ne St网络特征表达能力不足这一问题,提出了使用空间和通道混合的软注意力算法与深度连接注意力算法相融合的注意力机制,该结构可将相邻注意力之间连接起来,从而提升软注意力模型的性能;（2）针对数据集中样本类别数量不均衡这一问题,提出了使用焦点损失函数增加难分类样本的权重,以提升模型对于不同病变类别的分类效果。在公开的EYEPACS 2015数据集上评估本文改进后的Res Ne St模型性能,结果表明,模型在DR五分类任务中的准确率为85.71%,灵敏度为86.23%,特异性为72.97%。将本文模型与其他算法进行对比,综合得出本文所提改进后的Res Ne St模型对于糖网病变具有较好的分类效果。本文设计并实现了一种前后端交互的自动化检测糖网病变应用,该系统是基于主流的轻量级后端Flask框架和成熟的前端页面技术,实现了基于Web的糖网病变智能检测应用v1.0版本,该糖尿病眼底图像检测系统可极大地提高了医师的检测效率。本文的研究成果对于提高医生诊断效率、降低患者致盲率、合理分配医疗资源以及保卫糖尿病患者人群的视力健康有着十分重要的应用价值。