近年来,糖尿病视网膜病变（DR）的发病率增长速度非常快,微动脉瘤是DR早期诊断的重要特征,因此微动脉瘤自动检测技术的研究具有重要意义。本文对微动脉瘤自动检测技术进行深入研究,主要研究内容如下:（1）跟踪国内外研究现状,总结目前微动脉瘤研究存在的问题,深入研究了微动脉瘤自动检测算法的理论基础。针对于视网膜病变图像中微动脉瘤不明显的问题,采用微动脉瘤自动检测技术中阴影校正、自适应增强图像预处理技术得到清晰微动脉瘤图像;为了减少微动脉瘤筛选范围,使用形态学顶帽变换、多尺度高斯滤波算法、局部最大区域获取候选集;采用去除血管、视神经盘后处理操作减少血管和视神经盘对微动脉瘤检测的干扰。（2）实现了微动脉瘤检测特征提取方法。首先,采用阴影校正、图像增强、滤波等预处理方法得到的视网膜图像作为获取微动脉瘤候选集的输入图像和提取特征的图像,使用基于多角度顶帽变换的微动脉瘤候选集检测算法获微动脉瘤候选集,该算法既能克服血管对微动脉瘤候选集获取的干扰,又缩小微动脉瘤候选集范围。随后,采用局部上下文算子获取横截面轮廓线（CSP）,并对其进行合理性分析,用统计方法衡量轮廓线之间的相似性,并对CSP进行约束分析,提取CSP统计特征,用于进一步区分血管和微动脉瘤;为了解决背景噪声干扰问题,采用高斯滤波对不同通道图像进行处理,进而提取基于多通道亮度的微动脉瘤特征,用于进一步区分微动脉瘤和背景、视神经盘区域血管分支。（3）提出基于CSP统计属性与多通道亮度特征的微动脉瘤检测算法。首先,总结五种典型分类模型的思想、作用场景、目标函数、决策函数,并分析其优缺点,通过实验,汇总五种分类模型的训练误差,对模型精度进行了定量分析。通过对照实验的误差分析,结果显示本文所提出的特征降低了模型训练误差;测试图像检测结果显示本文所提出的算法采用集成方法的检测精度高于原始特征算法,说明分类模型的测试误差低,实验验证了本文算法的有效性。随后,对测试图像检测结果进行了定性分析,并根据样本数据特征,分析采用以决策树为基分类器的集成方法对微动脉瘤候选集分类的优势。