糖尿病视网膜病变是糖尿病的并发症,也是导致视力丧失的罪魁祸首之一,早发现早治疗对防止视力丧失至关重要,眼科专家通过分析眼底图像来诊断糖尿病视网膜病变,不仅效率低下,更占用专家人力、依赖眼科专家的从业经验。深度学习已经在医学图像处理领域取得长足进展,可作为医疗人员的辅助工具。眼底图像作为重要的诊断参考依据,它的病灶稀疏,相邻等级的病变差异较小,不同性别、年龄、种族的患者所患的同种病变存在差异,基于此,本文提出使用能捕获关键线索的注意力机制来进行糖尿病视网膜病变的等级识别,针对这一出发点,本文研究了在识别糖尿病视网膜病变等级上,注意力机制在卷积神经网络中的性能,自注意力网络Vision Transformer的性能,展开的研究工作如下:（1）针对数据集类间数量不平衡问题,本文提出使用VQ-VAE对经过仿射变换的图像进行重构,以丰富、平衡数据集,测试结果显示模型的平均重构误差为0.0001,重构图像与原始图像的结构相似性均值为0.967,证明重构图像与原始图像互异且属于同类图像,既扩充了数据集也增加了数据集的多样性。（2）针对注意力机制在卷积神经网络中对糖尿病视网膜病变等级识别研究,本文以Res Ne Xt50为主干网络,通过修改网络结构,嵌入不同的注意力模块,提出卷积通道注意力网络Res Ne Xt50-SE、Res Ne Xt50-ECA、Res Ne Xt50-SK,卷积空间注意力网络Res Ne Xt50-Simam,卷积混合注意力网络Res Ne Xt50-SPA、Res Ne Xt50-CBAM、Res Ne Xt50-sc SE、Res Ne Xt50-SE+Simam,并通过实验比较了非注意力网络Res Ne Xt50与卷积注意力网络,在Precision、Sensitivity、Specificity、F1 Score、二次加权Kappa系数Qks、Accuracy六个性能指标及对抗椒盐噪声、高斯噪声、梯度扰动性能上,卷积注意力网络优于Res Ne Xt50。最后,通过Grad-CAM方法绘制出各个模型识别眼底图像的热力图,热力图显示在关注眼底图像上,注意力网络比非注意力网络Res Ne Xt50更有效。（3）在研究自注意力机制对糖尿病视网膜病变等级识别中,本文提出使用依靠自注意力模块构建的纯注意力网络Vision Transformer对糖尿病视网膜病变进行等级识别,并通过实验比较了不同参数配置的Vision Transformer模型Vi T-B-16、Vi T-B-32、Vi TL-16、Vi T-L-32与卷积注意力网络,在Precision、Sensitivity、Specificity、F1 Score、二次加权Kappa系数Qks、Accuracy六个性能指标及对抗椒盐噪声干扰、梯度扰动性能上,Vi T-B-16、Vi T-B-32、Vi T-L-16、Vi T-L-32优于卷积注意力网络,而在对抗高斯噪声干扰性能上弱于卷积注意力网络。两种网络识别眼底图像的热力图显示了Vision Transformer模型对眼底图像的关注方式更细致、更周密。最后,将本文的卷积注意力网络和Vision Transformer与其他研究者的工作进行比较,发现本文网络模型在不同的指标上不同程度的胜出。通过一系列实验及比较表明,注意力机制在糖尿病视网膜病变识别上具有优越性和研究潜力。