糖尿病视网膜病变（Diabetic Retinopathy,DR）是糖尿病的严重并发症之一,表现为一种或多种视网膜病变,如出血（Hemorrhages,HE）、硬性渗出（Hard Exudates,EX）、微血管瘤（Microaneurysms,MA）和棉绒斑（Soft Exudates,SE）。研究证明,DR 是引起糖尿病患者视力下降乃至失明的重要影响因素。因此,DR的早期筛查、诊断尤其是病灶的分割与DR分期,对于眼科医生制定DR治疗方案至关重要。眼底彩照（Fundus Image）是一种无创眼底图像采集技术,广泛用于眼科疾病的筛查,本文基于眼底彩照对糖尿病视网膜病变进行相关研究。首先,提出了一种基于双重自适应的多目标加权分割网络（Dual Adaptive Multi-Target Weighting Joint Segmentation Network,DAMWNet）,实现了对HE、EX、MA和SE的DR多病灶联合分割。DAMWNet基于U型编解码结构,主要包括学习指导模块和反向数据恢复模块。基于注意力机制的学习指导模块嵌入于编码器顶端,通过提取高阶类信息动态地指导网络计算资源分配,以缓解类别不平衡的问题。为了进一步提高分割网络的特征提取能力,在解码器顶端设计了一个反向数据恢复模块,用于自适应地学习有利于拟合原始输入数据的特征。此外,设计了一个优化流程,用于端到端地训练整个分割网络。本方法在国际公开数据集上进行了验证与评估,通过比较Dice系数、敏感性、雅卡尔系数和皮尔逊相关系数来评估联合分割网络的性能。实验表明,本方法性能较好,具有潜在的临床应用价值。其次,提出了 一种基于双重自适应的残差并行聚合网络（Residual Aggregation Staging Network,RD-Net）,实现了对DR的分期。RD-Net包含并行的多目标分支、残差分支以及一个自注意力聚合模块。多目标分支与残差分支位于网络的底端,分别用于提取类别相关的特征信息与缓解退化问题。自注意力聚合模块位于网络的顶端,用于融合不同类型的特征图,提高网络的特征辨识能力。本方法在临床数据集上进行了验证与评估,通过比较准确率、曲线下面积和Kappa系数来评估分期网络的性能。实验表明,本方法的分期性能较好,具有良好的临床应用前景。