糖尿病性视网膜病变(Diabetic Retinopathy,DR)作为糖尿病的主要并发症之一,如不进行及时诊断和治疗,可能会导致视力障碍和失明。通过定期眼科检查和及时治疗,可以减少DR患者的视力丧失风险。使用计算机辅助技术对DR进行分析,可协助眼科医生更高效地诊断,有利于开展大范围的DR定期筛查。微动脉瘤(Microaneurysms,MAs)是DR最早的异常表现,进行准确可靠的微动脉瘤检测,对DR早期诊断具有重要意义。本文提出了基于不同特征的机器学习微动脉瘤检测算法。主要工作和创新如下:(1)血管增强并分割。在彩色眼底图像中,视网膜血管与微动脉瘤在颜色和亮度上表现相近,为防止血管对微动脉瘤检测的干扰,应用改进的基于Hessian矩阵特征值分析的方法进行血管增强,进而实现血管分割并消除。相较于先前常用的基于Hessian矩阵的增强方法,本文采用的方法对图像的低强度变化更具有鲁棒性,增强效果更均匀,得到的血管分割结果更佳。(2)微动脉瘤候选区域提取。由于微动脉瘤结构微小,在整个图像中检测难度大,本文采用微动脉瘤候选区域小块化处理方式。对消除血管后的图像进行对比度特点分析,采用连通分量分析方法根据微动脉瘤的形状特点从眼底图像中提取出候选区域。最后根据候选位置将图像分成小块,以待后续进行检测。(3)采用两种特征与分类器组合模式用于微动脉瘤检测。首先,采用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征和支持向量机进行微动脉瘤检测;其次,提出将定向局部对比度(Directional Local Contrast,DLC)用于微动脉瘤检测,与整体特征组合,应用三种机器学习分类算法对候选者进行分类,对比三种分类器表现,并采用不同投票规则进行多分类器融合得到最终分类结果。实验表明,基于平均值投票或加权投票规则的多分类器融合比单一分类器表现更好。与方向梯度直方图特征和支持向量机方法相比,定向局部对比度特征与多分类器融合的方法检测结果更佳,接收器操作特性(Receiver Operating Characteristic,ROC)曲线下面积(Area Under Curve,AUC)为0.901,自由响应ROC(Free-response ROC,FROC)曲线的分数(score)达0.459。最后与近三年先进算法进行对比,本文所提出的微动脉瘤检测方法取得了较好的性能,达到现有算法先进水平,且需要更少的计算时间。