糖尿病视网膜病变（Diabetic Retinopathy,DR）是糖尿病患者容易出现的眼部并发性疾病,需要在早期确诊和医治才能避免对患者视力造成影响。DR的诊断方式有许多种,而眼底照相检查相比其他检查更加直观和简便,眼底相机设备费用也相对低廉,是最适合用在糖尿病视网膜病变诊断的方式。现阶段对糖尿病视网膜病变的诊断基本依靠眼科医生对眼底图像的肉眼观察,检查准确性依赖眼科医生的医术。但是医生的人工诊断难以满足数量庞大的糖尿病人群的需求,且长时间检查容易疲劳,影响疾病判断的准确性。基于这个原因,若能借助计算机辅助诊断的方法帮助医生完成大规模的DR图像分析与分类,不仅可以节省大量的人力资源,更为糖尿病患者实施DR普查提供必备的基础条件。本文将探讨建立一个基于深度学习的糖尿病视网膜病变图像自动分类网络。按临床上对糖尿病视网膜病变不同等级划分的图像进行分类,对输入的眼底照相机拍摄的糖尿病视网膜病变图像进行分类测试,选出性能最优的分类网络。本文选取深度学习的Res Net及Efficient Net V2两种模型基于迁移学习训练并测试糖尿病视网膜病变图像分类的效果。针对糖尿病视网膜病变图像特点,为加强模型对病变图像特征的分类性能,本文除了研究不用深度的残差网络和不同参数的Efficient Net V2网络的分类效果外,提出了针对DR图像特点添加注意力机制,提升特征提取能力,以验证注意力机制对不同网络的优化作用。最后探索所得模型在临床上辅助诊断糖尿病视网膜病变的可行性。通过实验结果得出,在糖尿病视网膜病变图像分类上,Res Net及Efficient Net V2两种网络均能有较好的性能,注意力机制的添加在增强图像特征提取能力,提高模型分类的性能上效果明显。本文测试添加通道注意力机制的残差模型图像分类准确率达到90.4%,精确率达到90.8%,召回率达到91.0%;本文测试添加空间注意力机制模块的Efficient Net V2模型对图像的分类准确率达到89.3%,精确率达到89.6%,召回率达到90.2%。改进的Res Net模型和Efficient Net V2模型的工作特性曲线下面积分别为98.1%,97.7%。实验表明本文设计的模型在糖尿病患者的DR筛查中有着潜在的应用价值。