糖尿病视网膜病变是由糖尿病引起的并发症,其病变特征按照国际分类标准可以分为0-4级,0级为完全健康的视网膜,1-4级按照其严重程度可以分为增殖性和非增殖性视网膜病变。糖尿病视网膜病变传统的评级方式为使用机器拍照之后进行人工评级,机器拍照方式包括荧光素血管造影和光学相干断层摄影术,但人工评级对人工的高度依赖会导致医疗资源的浪费,以及带来一系列误诊漏诊现象。所以随着深度学习的兴起,有学者将深度学习应用到糖尿病视网膜病变分级的领域,但是仍存在分类准确率不高的问题。为了解决以上问题,本文对用于视网膜病变分级的深度学习模型进行改进,本文的主要贡献和创新点主要包括:（1）首先对残差网络（Residual Network,Res Net）进行改进,在残差模块的前部加入压缩和激励网络（Squeeze-and-Excitation Networks,SENet）中的压缩激励（Squee ze-and-Excitation,SE）模块,对界定病变与否的特征分配较高的权重。其次以特征金字塔网络（Feature Pyramid Network,FPN）的提取特征的方式对大小尺度特征均进行提取并融合,使网络能够更准确的提取到微血管瘤、渗漏、出血、新生血管等大小尺度不一的特征。经在kaggle大赛中diabetic retinopathy数据集上的实验验证,本文的深度学习模型达到了78.594%的分类准确率,kappa值达到了0.746。（2）对于分类结果不准确的视网膜病变图像,对其使用融合权重机制和改进SDIM的偏标记分类算法（Weight Semantic Difference Maximization,WSDIM）,将除去错误标记的标记合集视作候选标记集,进行偏标记分类。经过在数据集上的实验对比,加入了偏标记分类算法的模型分类准确度达到了80.039%,比未加入偏标记分类的模型分类准确率提高了1.8%,kappa值达到了0.8,相比之前提高了0.054。本文对于糖尿病视网膜病变分级模型的改进在提高了糖网病变分级的准确率和kappa一致性的同时,减轻了糖网病变分级对人工的依赖,在一定程度上减少了误诊漏诊现象,且本文模型对于1级视网膜病变分级准确率的提高对界定视网膜是否发生病变具有重大意义,有助于患者早发现早治疗,极大程度上阻止了糖网病变的进一步恶化趋势。