随着深度学习的不断发展,以及其在图像分割和分类领域的显著效果,利用深度学习技术,通过眼底图像辅助诊断眼部疾病逐渐受到广泛研究和关注。视网膜血管是眼部疾病准确的诊断、早期治疗和手术计划的关键步骤。许多致盲的眼部疾病均可直接从眼底视网膜血管的病变等观察到,而糖尿病性视网膜病变进行早期治疗可以有效延缓或避免视力损害的进展。因此,实现智能的视网膜眼底图像下的血管分割和糖尿病眼病分类具有重要的临床意义。本文针对当前视网膜眼底图像下的血管分割和糖尿病视网膜病变存在的问题,提出了基于Weighted Res-UNet的视网膜眼底血管分割方法以及基于Grad-CAM的糖尿病视网膜病变分类及可视化方法。本文的主要研究工作和创新点如下:(1)针对目前视网膜眼底图像下的血管分割的难点,提出了Weighted Res-UNet视网膜血管分割方法。该方法使用自适应直方图均衡(CLAHE)以及常规图像增强进行数据预处理,利用卷积神经网络中U-Net网络,通过添加加权Attention机制和跳过连接方法,进行重要的改进,可以学习更多区分血管和非血管像素的特征,并更好地维护视网膜血管树状结构。在DRIVE和STARE眼部数据集上进行实验,得到的分割结果精确度优于现有大部分分割方法,实现了准确鲁棒的分割结果,验证了提出算法的有效性。(2)针对现有DR分类的传统方法泛化性较差,而基于深度学习的DR分类网络可解释性弱的问题,提出了基于Grad-CAM的糖尿病视网膜病变分类及可视化方法,采用了神经网络中的Inception-V3模型进行改进,使用Grad-CAM网络可视化算法为糖网病图像分类提供了解释性,同时利用Grad-CAM算法查找出潜在病变区域,对正常和潜在病变区域的特征进行码本聚类,并计算Bag of Word(BoW)特征直方图向量,最后再通过多层神经网络进行最终的DR分类。在EyePACS数据集上的实验结果表明,提出的分类及可视化方法达到了较好的分类效果。总之,本文针对视网膜眼底图像下血管分割中微小血管难以分割、视盘区等对比度低区域血管分割效果较差、现有分割结果难以维持视网膜血管树状结构等难点,提出了 Weighted Res-UNet视网膜血管分割方法;针对现有的DR分类的传统方法泛化性较差,而基于深度学习的DR分类网络可解释性弱的问题,提出了基于Grad-CAM的糖尿病视网膜病变分类及可视化方法。实验结果验证了提出的上述方法的有效性,为后续开展眼部疾病准确的诊断、早期治疗和手术计划提供了有力保障。