糖尿病视网膜病变(DiabeticRetinopathy,DR)是一种具有特异性改变的眼底病变,也是糖尿病最为严重并发症之一。随着病情不断发展,将会造成患者不同程度的视力损失。针对糖尿病患者进行视网膜病变的早期筛查和治疗是预防患者视力损失乃至失明的最主要的方法。目前对于糖尿病视网膜病变的诊断主要依赖于眼科医生的临床经验进行人工检查。然而,由于需要进行筛查的人口基数过大,实施大范围的眼底普查比较困难,这将使得一些患者难以得到及时的诊断和治疗,进而延误病情,导致视力损失乃至失明。因此,研究视网膜眼底病变的自动检测技术对推广大规模眼底病变筛查有着极为重要的意义。首先,本文提出了一种基于深度学习和有序分类的糖尿病视网膜病变的分期方法。该方法利用有效的预处理方法对视网膜图像进行增强,使得图像中病变区域在图像中具有更高的可见度。然后,针对数据集中不同类别的样本数量不平衡的问题,主要从数据层面对其进行处理。最后,利用卷积神经网络自动学习特征,并结合有序分类实现对糖尿病视网膜病变的分期。实验证明,使用该方法得到的效果要优于直接使用卷积神经网络进行病变诊断的结果。此外,虽然通过上面提出的分期方法虽然可以取得一定的效果,但它依旧存在一些问题。因为对于不同病变时期视网膜眼底图像中的微小差异,比如:在眼底图像中是否出现微血管瘤,该方法通常很难取得很好的区分效果。然而,微血管瘤是糖尿病视网膜病变在视网膜中显示出的最早期的可见症状,它的检测对于糖尿病视网膜病变的分期是非常重要的。因此,本文提出了基于卷积神经网络和多尺度病变信息的微血管瘤检测方法来对微血管瘤病变进行单独检测。该方法首先在视网膜图像的绿色通道使用CLAHE算法来增强微血管瘤和背景之间的对比度,然后通过一系列滤波操作来进一步做阴影校正和去噪处理。之后,通过阈值方法和大面积无关区域去除,得到微血管瘤的候选区域。根据候选区域,然后在通过增强后的RGB三通道的视网膜图像中获取微血管瘤候选样本,并处理样本不平衡问题。最后,通过自主设计的卷积神经网络,来实现视网膜微血管瘤的检测。实验结果表明,本文提出的微血管瘤检测方法与现有一些方法相比也有一定的优势。这不仅可以为糖尿病视网膜病变的分期提供帮助,而且具有一定的临床应用价值。