近几年以来,随着人工智能技术的日益成熟,深度学习技术被广泛的应用到人们的日常生活中。其中人工智能与医疗领域的结合成为了研究人员关注的重点,利用人工智能手段帮助医生进行诊断是智能医疗的重要分支。视网膜眼底图作为诊断眼部疾病的重要判断依据,蕴含着许多细微的病症信息,对图片进行准确的分析可以使患者得到及时的救治。利用人工智能手段分析图象不但可以节省培养一位经验丰富的眼科医生所需耗费的大量时间和精力,还可以减轻医患数量不匹配等问题,是一项十分有意义的课题。本文提出了基于机器学习算法的针对糖尿病性视网膜病变图像的分级方法。设计并实现了针对不同容量和不同数据源的两个数据集的眼底图像库的模型分类算法。通过引入分割算法中的形态学从处理方法,改进了小数据集下分类模型的训练效果。利用支持向量机和集成学习的方法对小数据集进行训练。将迁移学习提取的特征运用支持向量机进行训练,实现了神经网络与传统机器学习方法的结合。通过在卷积神经网络模型中引入RMSProp优化算法,解决有偏大数据集的眼底图分级问题。实验内容将针对小数据集分别进行支持向量机和迁移网络的学习训练,并辅以集成学习模型进行补充实验。对于较大的数据集采用深度神经网络模型进行训练,并分为针对经过数据处理后的无偏数据集和未经处理的有偏数据集进训练学习。本实验通过以上模型训练达到对糖尿病性视网膜病变分类的目的。