糖尿病性视网膜（Diabetic Retinopathy,DR）是一种由于糖尿病而引起的眼部疾病,是糖尿病并发症中易发病变类型之一。如果患者不能及时接受治疗,那么视网膜将受到不可逆转的伤害。但目前我国眼部检查设备以及专业医生都相对紧缺,为了缓解医生接诊压力,设计DR准确分类模型具有重要临床意义。近年来利用深度学习进行DR病变筛查已经成为研究热点,然而由于数据集质量参差不齐以及深度学习缺乏直观解释的问题,使得利用深度学习对DR病变分类效果欠佳。针对以上问题,文章在深度学习的基础上对眼底图像质量增强算法和DR病变分类进行了深入研究,主要研究内容和创新点如下:（1）针对Retinex需要手动设置参数以及出现色彩失真、细节模糊等问题,文章结合卷积神经网络特点与Retinex理论,提出一种自适应HSV空间的Retinex-Net眼底图像质量增强算法。该算法利用CNN特性自主学习图像特征,不需要依靠经验设置参数。由于HSV空间中各通道分量相对独立,将图像转换到HSV空间后再进行增强,使用自适应系数调整的方法解决了色彩失真问题。鉴于图像噪声主要存在反射分量中,因此设计基于Inception结构的轻量级多视野去噪模块,去除噪声后图像更能突出视神经盘、血管等细节信息。通过在OIA-ODIR数据集上使用主客观评价指标分析实验结果,主观上增强后的图像色彩质量更高,出血点、渗出物、纤维瘤等患病特征均被增强,能够符合实际临床需要。客观上SSIM、PSNR、IE和C分别为0.832、19.02、5.38和3.82,分别比改进前提升了6.1%、10.7%、2.1%和8.2%,表明文章算法能够有效去除反射分量中存在的噪声,并且对暗区域细节信息充分增强,从而提升眼底图像质量。（2）针对深度学习缺乏对病灶特征有效关注和直观解释的问题,文章提出一种基于双向空间注意力金字塔Efficient Net模型（Efficient Net Model Based on Bidirectional Spatial Attention Pyramid,BSAP-Efficient Net）实现糖尿病性视网膜自动分类。文章设计的双向空间注意力金字塔（Bidirectional Spatial Attention Pyrami,BSAP）具备像素级空间信息建模能力,BSAP使用空间上下文特征信息可以准确关注病灶区域,供医生实际诊断参考。在模型训练过程中,将BSAP生成的病灶特征叠加至Efficient Net中,利用患病区域信息提高了分类准确率。由于数据集内部样本类别极度不均衡,文章使用Focal Loss作为模型损失函数,该函数使用平衡参数控制样本在训练时所占权重,使得模型能够更加专注于样本量较少的中、重度以及增生性类别,解决样本不平衡产生的虚假loss问题。通过在Eye PACS与Messidor数据集上分别进行测试,文章模型SP、SE和ACC最高分别为96.8%、93.7%和94.5%,比原始网络分别提高了1.5%、3.6%和2.1%。由此表明文章模型可以在提供病灶位置的同时实现精准分类,一定程度避免误诊漏诊情况,防止因治疗不及时而造成严重视力损伤。