眼睛是心灵的窗户也是人体感知外界环境的关键器官之一,而视网膜是眼睛器官的核心组成部分,它的健康状况直接影响着人体的视力水平。在现有视网膜损伤患者中,由糖尿病引发的视网膜病变占到了相当大的一部分,特别是在中老年群体中,成为了首要的视力损伤原因;同时,人体的部分疾病会在身体的血液循环系统中或多或少的反应出来,而眼底视网膜图像能够直接观察毛细血管的健康状态,及时发现身体的异常状态。因此,针对视网膜眼底图像展开相关研究,不仅可以为糖尿病患者的视网膜病变治疗提供帮助,还能为其他相关疾病的早发现、早治疗提供具有重要意义的科学诊断依据。本论文以彩色视网膜眼底图像为研究对象,针对血管图像分割方法和视网膜病变检测理论展开研究,在现有医学图像处理方法的基础上,引入卷积神经网络分析理论,尝试设计并建立适用性较好的图像网络分析模型,有效的提高基于眼底图像的血管分割精确度和糖尿病视网膜病变的检测效率。本文的具体研究内容如下:1、设计了一种集成残差U型分割网络(ERU-Net)针对当前彩色视网膜眼底图像血管分割技术精度低、速度慢等局限,本文设计了一种集成残差U型分割网络,在提高眼底图像分割精度和速度上取得了较好的效果。首先,设计了一种简单的残差模块,解决了在U-Net环境中采样时,信息的丢失问题和网络训练的速度慢问题;接着,设计了一种由上述残差模块与采样模块组成的U型基础网络;然后,利用集成策略,将四个同类型基础网络集合成一个大型分割网络,尽可能实现提高眼底图像分割精度;最后,运用实验验证本设计网络模型的实用性和有效性。2、设计了一种基于打乱-构建结构的学习网络(DCL-Net)针对糖尿病视网膜病变中存在的检测难点,本文采用一种打乱-构建结构的学习网络来解决糖尿病视网膜病变的病变检测和等级分类问题。打乱-构建机制是通过打乱全局结构,保留局部细节,迫使识别网络集中于有区别的局部区域进行识别,再通过重建来恢复原始区域布局。基于这一结构网络,能够极大提升图像的细腻度,进而提高图像识别的性能。最后经过实验对比验证,在数据极少和数据分布不平衡的情况下,本设计网络在糖尿病视网膜病变检测中取得了较好的效果。