人工智能（AI，ArtificialIntelligence）在作为一门新的科学技术，越来越多得应用在临床上，结合医学图像的计算机辅助诊断更是现代医学发展的一个重点方向，广受关注和研究。复杂性度量是一种通用的时间序列分析算法，是一种广义上的信息度量，特别适用于人体这一类的复杂系统所产生的数据。眼底自发荧光(FAF)图像作为近二十年来开展的一项技术，因其无损性和图像特异性已经成为眼底检查的一种重要手段。本文研究是创新性的将两者结合，对眼底自发荧光图像复杂性度量特征的进行提取，再通过支持向量机方法，实现对正常人和临床前期糖尿病患者二分类。本文的主要内容如下：
　　1.介绍了眼底自发荧光图像以及研究其的目的和意义，系统地介绍了医学图像的基本特征、医学图像的预处理方法以及提取技术，阐述了各个它们各自的优缺点，详细介绍了支持向量机(SVM)、受试者工作特征曲线等分类方法。
　　2.眼底自发荧光图像的特征信息既体现在可视化的颜色和纹理等特征中，又体现在非可视化的复杂性特征中，本文侧重点是后者，先对复杂性特征概念进行介绍，再通过三种方法获取图像的复杂性度量特征。重点步骤是将眼底自发荧光图像做相应的预处理得到一组图像，然后对所得这组图像再分别通过BEMD算法以及LBP算法进行了处理得到对应的两组图像，再将所得的三组图像分别均值二值化后通过空间填充曲线扫描得到计算格子复杂性所需的序列，最终再计算得到的格子复杂性作为图像特征。
　　3.最后采用支持向量机（SVM）方法进行图像分类。在建模训练中，将所有眼底自发荧光图像样本分为正常和糖尿病临床前期两类。在所获取的很多组特征参数中首先进行特征值的筛选和优化，找出有效的特征参数。在支持向量机的分类学习过程和参数优化问题，本文采用的是5折交叉和10折交叉两种交叉训练的方法。再通过试验结果验证了算法的可行性，并在最后的眼底自发荧光图像分类上得到较为理想的结果。