视网膜病变(Diabetic Retinopathy,DR)是常见的糖尿病并发症,目前的临床诊断通常将DR分为5个等级,由眼科医生通过对患者视网膜图像上的异常病灶阅片而定。该方法耗时耗力且对于眼科医生的临床经验要求很高,可能导致患者没有得到及时的治疗。因此,各界专家在不断寻求更高效的诊断方法。随着图像处理技术和机器学习的发展,基于人工智能的计算机辅助诊疗手段已广泛应用于医学图像的处理中。设计一套完整的图像分类系统,利用计算机辅助筛查大量的糖尿病视网膜图像,可以极大地帮助眼科医生进行快速有效的诊断。本文在已有模型的基础上,设计了改进的卷积神经网络(CNN)-Supplement Net,通过对比分析证明了该模型的有效性,具体研究内容主要为:(1)系统性地总结了CNN和迁移学习的概念及基本原理。在充分了解国内外研究现状的基础上,系统总结了CNN中各层的基本原理,介绍了迁移学习的基本原理并对比分析了Le Net-5、Alex Net、VGGNet以及Goog Le Net等现有模型的优缺点,确定了以VGG-16网络架构为核心建立图像分类模型。(2)建立了基于卷积神经网络的DR图像分类模型。针对现有模型精度有待提高的问题,本文借鉴已有的CNN模型思想,设计了改进的CNN模型-Supplement Net,该模型的浅层结构采用迁移学习的方式继承VGG-16的结构参数;深层结构则采用从零训练的方式来更好地学习样本特征,进而调整参数;改进了卷积层中的激活函数来保证网络的非线性;在相应的卷积模块后对图像数据进行批正则化来提高模型的泛化性能。最后针对不同模型和训练方法设计对比实验,结果表明,Supplement Net模型的网络性能要优于传统模型,在二分类和五分类问题上,都得到了较高的准确率。(3)设计了糖尿病视网膜病变图像分类系统。针对网络模型直接使用不便,本文利用MATLAB可视化图形窗口工具,设计了DR图像分类系统,建立了GUI界面布局,形成了结合模型训练及图像分类为一体的系统并进行了验证。