糖尿病视网膜病变(Diabetic Retinopathy,DR)是由糖尿病所引起的视网膜疾病,血管壁在长期的高血糖环境下受到损伤,导致视网膜上因为血液渗出出现微血管瘤和出血、由于营养物质的渗出出现黄色渗出物等病灶,病灶覆盖在视网膜上导致视力下降,严重情况下导致失明,是主要的致盲疾病之一。目前在临床上,眼科医生通常用眼底相机对患者视网膜进行成像,通过对视网膜的异常病灶进行分析并诊断。但是由于糖尿病视网膜病变的病灶种类、特征多样,形态、分布各异,导致眼科医生诊断困难。随着医学图像处理技术的飞速发展,计算机辅助诊断系统逐渐成为了医生诊断患者的重要方法。目前对糖尿病视网膜病变的眼底图像分类的主要方法有基于眼底图像病灶特征的检测方法和基于眼底图像全图的整体特征提取并分类的方法。基于眼底图像的病灶特征检测方法需要人工设计不同病灶的特征提取方法,然后进行分类器的分类训练。由于糖尿病视网膜病变普遍具有的病灶种类多且分布不规律的特点,这种方法对于整体图像的病程分类效率较低并且适应性差。由于卷积神经网络(Convolutional Neural Networks,CNN)所具有的将特征提取和分类器的分类相结合的结构特点,并且能够自己学习特征,因此使用卷积神经网络对糖尿病视网膜病变的眼底图像进行学习分类可以避免繁琐的特征提取工作。本文将针对糖尿病视网膜病变的眼底图像数据,根据传统的卷积神经网络模型设计出一种能够针对此疾病的网络模型对其病程进行分类研究。本文的研究内容包含两部分,一部分是比较不同模型结构的处理效果,此部分引入了一种全新的基于双眼的特征融合模型,通过实验证明了此模型在对糖尿病视网膜病变眼底图像进行分类时的有效性和优越性。实验数据为Kaggle公司提供的公开数据集,模型在此数据上的最优分类准确率为77.54%,相较于其他模型都有所提高。另一部分是通过对模型的损失函数和学习率进行调整,分析并得出最佳学习率和在不同评价准则下的最优损失函数。最后,论文对卷积神经网络的特征层进行了可视化,验证卷积神经网络从是从低层的具体特征逐渐融合为高层的抽象信息的过程,并对错分的图像样本进行分析,总结了造成错误分类的两种主要原因:微血管瘤特征的不明显和相机伪影构成的图像噪声。