全世界有4亿多人患有糖尿病,中国的患病人数超过1个亿。而其中1/3的糖尿病患者会出现可能导致视力损伤甚至失明的并发症——糖尿病视网膜病变。因此,检查眼底是每个患有糖尿病的人都需要做的检查,如此多的检查给医疗人员造成很大的工作负担,因此,建立糖尿病自动筛查系统成为科研人员重要的研究课题。随着深度学习在图像分类任务中取得的重大进步,利用这一技术建立高效的糖尿病自动诊断系统成为研究热点。然而,由于医疗数据自身的特点（属于小数据集并且数据不平衡）以及神经网络的“黑箱”等问题,使得利用深度学习进行疾病分类效果不理想,针对以上问题,本文从以下方面进行研究:一、在预先训练的生成对抗网络上,采用微调迁移学习技术,实现利用糖尿病视网膜病变小数据集生成清晰DR图像的目的。计算生成图像多样性和质量的FID（Fréchet Inception Distance）分数达到了86,对比无迁移学习的生成对抗网络生成的图片FID分数为293,表明基于迁移学习的方法生成的图片质量更好。二、为了增加生成样本的可控性,对生成对抗网络进行修改,把标签嵌入到分类器参数固定的网络层的后一层,实现了既利用了迁移学习,又加入了标签信息,使之变成条件生成对抗网络,给数据生成任务更多可控性。利用该方法生成的糖尿病视网膜病变眼底图像有更多的病灶细节信息,通过类别标签的运用,提高了对生成图像类别的控制。对比基于迁移学习的条件生成对抗网络与无迁移的条件生成对抗网络,后者的FID分数为287,远高于迁移学习条件生成对抗网络生成的图片FID分数124,而且从生成的图片上看,基于迁移学习的条件生成对抗网络生成的样本病灶部位更多,多样性更好。再通过FID对比度量生成对抗网络和条件生成对抗网络的图像质量和多样性,结果显示条件生成对抗网络得到的图像要略差于无条件的生成对抗网络。通过观察生成的图像发现,条件生成对抗网络生成的图像会有更多的病灶,但血管细节信息要略差于无条件网络,反映出模型更加关注于生成病灶,对共有的血管信息关注降低。三、提出了一个基于迁移学习和Dense Net121的可解释性分类器。在预先训练的Dense Net121网络上,利用微调迁移学习技术,实现DR自动诊断任务。实验结果为敏感性0.77、特异性0.91、准确率88%。采用梯度加权类别激活映射对分类器的分类结果可视化,显示输入图像的哪个部分对分类器的分类结果影响更大。通过这种可视化的方式发现,虽然分类器达到了较高的准确率,但分类器并非总是关注那些病灶部位,并且存在对类别少的眼底图像样本的偏见,反映出用不平衡样本训练模型存在的问题,也更好的了解了所训练的模型存在的不足之处。