糖尿病视网膜病变（Diabetic Retinopathy,DR）是一种常见的眼部疾病,对DR患者来说早期的诊断与治疗非常重要。在临床诊断中,眼科医生通常根据眼底相机拍摄的眼底图像来对DR进行分类。整个过程完全取决于医生的经验,既费时又费力。随着大数据和深度学习的发展,计算机辅助医疗诊断成为研究的热点,但是对于医学图像来说数据的获取往往是有限的。面对这一问题,本研究以眼底图像为主要研究对象,着力探究基于深度元学习的糖尿病视网膜病变自动分类模型。具体来说,我们构建了基于Ta-ML（Taskaugment Meta Learning）的糖尿病视网膜病变分类模型和基于Da Ta-ML（Difficult-aware and Task-augment Meta Learning）的糖尿病视网膜病变分类模型来对DR进行自动分类,本文的主要工作如下:（1）构建了基于Ta-ML的糖尿病视网膜病变自动分类模型。我们将模型无关元学习（Model Agnostic Meta Learning,MAML）与卷积神经网络结合,并加入任务增强策略构建了基于Ta-ML的糖尿病视网膜病变分类模型。具体来说,任务增强策略通过增加元训练任务的数量来提高分类模型的特征提取能力。我们将Mini-Image Net数据集作为元训练集,APTOS 2019失明检测数据集作为元测试集来进行本课题研究。消融研究结果表明我们提出的Ta-ML模型在仅有20个样本的情况下就达到了77.3%的准确率,比基线模型（MAML）提高了16.8%。对比实验结果表明,我们提出的模型相比其他深度元学习模型在糖尿病视网膜病变分类上具有优势。（2）构建了基于Da Ta-ML的糖尿病视网膜病变自动分类模型。我们在基于Ta-ML的糖尿病视网膜病变分类模型的基础上,加入了困难感知策略来优化模型的初始化参数。具体来说,困难感知策略通过动态调整交叉熵损失函数来实现对困难任务的自动聚焦。消融研究结果表明我们提出的Da Ta-ML模型在训练参数较小的情况下,仅使用1%的APTOS2019失明检测数据集的数据就实现了89.6%的准确率。对比实验结果表明,在每类仅有20个样本训练的情况下,我们提出的基于Da Ta-ML糖尿病视网膜病变分类模型的准确率比基于迁移学习的Res Net50分类模型提高了1.7%。本文构建的基于深度元学习的糖尿病视网膜病变自动分类模型为眼科医生提供了一种更有效的糖尿病视网膜病变分类方法,在小样本数据下有效的提升了糖尿病视网膜病变分类的准确率。