近些年，随着计算机视觉技术在医学领域的发展，医疗辅助诊断研究已经成为了比较热门的研究方向。越来越多的图像分割算法和图像分类算法应用到了医学研究领域，特别是视网膜图像方向，包括视网膜图像血管分割和糖尿病视网膜病变诊断。视网膜图像对糖尿病、高血压等心血管疾病的分析具有重要的参考价值，图像细节的处理对医生分析影像诊断病情和医患沟通非常重要。本文的主要研究内容包括:
　　(1)由于视网膜图像的血管特征不明显，在重建过程中血管容易出现遗漏，针对这一现象，本文提出了改进SRCNN对视网膜图像进行超分辨率重建，首先利用卷积核较小的轻量型模块代替特征映射部分的普通卷积，然后串联轻量型模块以提高网络提取特征的能力，但是这种方法会导致网络出现梯度消失或爆炸的问题，所以又将轻量型模块与ReZero残差融合起来，在解决此问题的同时血管细节的重建结果也更加清晰。
　　(2)由于视网膜图像血管的结构较为复杂，在分割时会出现血管间断的现象，本文提出了改进U-Net对视网膜图像进行血管分割，首先在U-Net网络中添加结合shortcut的空洞卷积，使用空洞率为1、2、4进行特征提取，可以使网络在增大感受野的同时重用图像特征，以便更好地识别不同宽度的血管，尤其是末端特征不太明显的血管。同时还使用图像注意力模块替代U-Net中的跳跃连接，可以将视网膜图像不同尺度的特征提取到扩张路径进行使用，更好地区分视网膜图像的血管与背景。
　　(3)由于糖尿病性视网膜病变区域比较复杂，病变的形状和大小等特征信息多种多样，这对视网膜图像的病变分类增加了难度，本文使用GhostNet轻量型网络进行糖尿病视网膜病变分类，在每个尺度的Ghost模块分别使用残差连接，使网络可以在每个尺度保证特征的有效性。同时该模型不仅参数量极少，而且其分类准确率也达到比较满意的效果。