近年来,随着生活水平的提高以及饮食习惯的改变,糖尿病发病率逐年增加,并已成为对人们身体健康产生广泛影响的的一种慢性疾病。糖尿病视网膜病变是糖尿病一种极为常见并严重的并发症,已成为我国成年人失明的主要原因之一。因此,及时的诊断和治疗可以有效地避免对人们视力的危害。当前,筛查糖尿病视网膜病变主要通过眼科医生人工检查患者的眼底图像,但是由于眼底图像复杂、人工检查时间较长、效率低下、使得很多患者不能得到及时有效的治疗。因此,利用计算机辅助图像处理,实现对眼底图像病变的自动检测,以提高医生的诊断效率。本文主要在视网膜血管分割和视盘定位的基础上提出了一种基于SVM的硬性渗出物的检测方法,并在硬性渗出物的检测基础上,通过提取硬性渗出物的不同特征,基于支持向量机实现了对糖尿病病变分期的研究,主要研究内容如下:（1）研究并实现了一种半训练广义线性模型的视网膜血管分割方法。介绍了CLAHE算法和均值滤波差值处理得到预处理图像的方法,并结合基于Gabor特征提取的预处理图像的下半幅图特征,构造广义线性模型,实现对整幅图像的血管分割。在血管分割的基础上,基于视盘外观等特征实现了一种视盘定位和分割算法。首先,通过对预处理图像设定一定的阈值进行二值化分割,获得视盘定位的初结果;然后,提取连通区域、筛除视盘边缘区域的干扰,实现视盘的精确定位;最后,将精确定位的结果通过霍夫变换实现分割。本文血管分割算法各项性能指标平均值:准确率0.9442、灵敏度0.8879、特异性0.9353以及AUC为0.9677,各项性能指标验证了本文算法具有良好的分割性能和适用性。（2）根据糖尿病患者视网膜眼底渗出物颜色和亮度等相关特征,研究并实现了一种基于支持向量机的硬性渗出物的检测算法。首先,选取CMY色彩空间中的M通道图像作为背景图像进行预处理;其次,对预处理图像进行阈值分割,并结合第二章提出的视盘分割算法剔除视盘,确定渗出物的候选区域;最后,提取候选区域中渗出物的不同特征,在支持向量机的基础上,构造训练模型并进行训练,实现渗出物的检测。将本文提出的检测算法在DIARETDB1图库中进行随机检验,并采用基于病变区域的评价标准来衡量本文算法,实验结果获得了灵敏度93.92%,特异性89.2%,准确度94.7%,预测率95.4%比较好的性能指标,并且将各个性能指标与其它渗出物检测算法进行对比,验证了本文算法良好的适用性。（3）在糖尿病视网膜病变分期知识研究以及第三章对硬性渗出物的检测和分割基础上。实现了支持向量机实现糖尿病视网膜病变分期分类的功能。首先提取硬性渗出物合适的特征,从数据集中选取训练样本和测试样本,根据糖尿病视网膜眼底病变分期标准,基于支持向量机分类理论根据训练集训练分类器,并在测试集上进行测试。测试结果表明,对于正常的眼底图像,该分类器可以准确判断识别,准确率P值达到100%,对于早期NPDR和中期NPDR,该分类器识别准确率达到90%,准确率较高,但是对于重度NPDR,该分类器识别准确率较低。表明该发分类器对糖尿病视网膜病变早期的分期诊断识别准确率较高,可以大体上满足糖尿病视网膜病变的早期分期诊断要求。