随着近年来全球糖尿病患者数量的增多,作为其并发症的糖尿病视网膜病变受到越来越多的关注,该类并发症致盲的概率非常高,目前许多国家都将这种并发症列入了国家普查计划。硬性渗出物作为糖尿病视网膜病变的初期过渡病变特征,成为眼底检查的重点检查对象,对它的检测可以实现对病变的初期诊断。面对数量巨大的待检查人群,在进行眼底检查的过程中需要借助更便携的检查设备或更精准的计算机视觉处理辅助诊断技术以提高检测效率。在对图像质量要求不高的前提下,便捷式的眼底检查设备不仅可以降低患者医疗检查成本,还可以促进医疗普查计划的开展;其次,由于眼底病变的检测效率和检测结果容易受人为因素的限制和主观判断的影响,利用计算机视觉处理和分析技术可以实现对彩色眼底图像客观精确的处理,使得相关硬性渗出物区域都能被精确分割和智能化分析,从而为医生提供有效的辅助信息,提高诊断的效率和准确性。因此,文中分别从眼底检查设备和渗出物自动检测技术两个方面展开了研究。眼底检查设备方面,设计了一种便捷式非散瞳智能眼底照相机设备,该设备借鉴了间接检眼镜的成像原理,系统结构主要分为图像采集模块、主控模块和显示模块,当调整好图像采集模块中各子模块之间的相对位置后,成像结果即可在屏幕上实时显示。该眼底照相机设备整体结构简单、可操控性较强,具有较好的应用前景。眼底渗出物自动检测技术方面,主要从传统图像处理方法和深度学习方法两个方向展开相关研究。基于传统图像处理技术的检测方法可以划分为候选渗出物区域的提取和精细渗出物区域的筛选这两个阶段,在候选渗出物区域的提取阶段,首先对原始图像依次进行亮度均衡、图像对比度增强和阴影校正的预处理操作,然后提取经过图像对比度增强后图像的绿色通道图,将其与经过阴影校正后的图像作为特征图像数据集用FCM聚类算法提取出候选渗出物区域。在精细渗出物区域的筛选阶段,利用基于人眼视觉特性的边缘感知模型筛除伪渗出物区域后,移除视盘区域即可得到精细的渗出物区域。基于深度学习技术的检测方法分别研究了数据扩充采样和网络模型设计,通过定量分块采样的方式解决了数据集不足和正负样本不均衡的问题,设计出一种融入注意力机制和残差网络的改进U-Net网络模型,使用该模型实现了眼底渗出物区域的检测。本文提出的两种算法都在公开数据集IDRID上进行了测试,根据测试结果和与其他算法的对比结果可知,提出的两种算法都能够有效提取出眼底图像中的渗出物,体现了算法的优越性和可行性。