糖尿病性视网膜病变（Diabetic Retinopathy,DR）是一种常见的糖尿病并发症,是目前劳动人口致盲的主要因素,影响着全世界的糖尿病患者。临床经验表明,及时的诊断与治疗可以极大地降低糖尿病性视网膜病变致盲的风险,因此对糖尿病患者定期进行糖尿病性视网膜病变筛查具有十分重要的现实意义。针对医疗资源分布不平衡的现状,使用计算机辅助诊断技术进行糖尿病性视网膜病变筛查是十分有效的解决方案。目前有大量的研究将深度学习应用于糖尿病性视网膜病变的自动诊断中,并取得了一定的进展。但由于数据集样本分布不均衡的问题,尤其是缺少病变图像,模型的性能有待提高。此外,由于现实世界眼底相机品牌与训练集眼底品牌不同造成的视网膜眼底图像间的域差异,导致模型在现实世界中DR自动诊断中的表现并不理想。综上所述,解决视网膜眼底图像数据集不平衡问题,缩小眼底相机品牌不同引起的视网膜眼底图像的域差异对提升DR自动分类模型在现实世界中的性能具有十分重要的意义。近年来,大量的研究使用对抗学习技术解决医学图像处理中数据不均衡以及域差异问题,并取得了一定的成果。因此,本文基于对抗学习技术,展开这一课题的研究,本文主要研究内容如下:（1）本文提出视网膜眼底图像自动生成模型RF-GANs（Retinal fundus images generative adversarial network）,该模型由RF-GAN1和RF-GAN2两个生成模型组成。首先,本文使用RF-GAN1将视网膜眼底图像从源域（语义分割数据集所在域）迁移到目标域（Eye PACS数据集所在域）。然后,本文使用迁移后的分割数据集训练语义分割模型,并利用训练后的分割模型提取Eye PACS的Masks（结构和病变掩码）。最后,本文以Masks和DR病变等级标签作为RF-GAN2的输入生成视网膜眼底图像。使用RFGANs进行视网膜眼底图像的生成,有效缓解了DR分类数据集分布不均衡的问题,提升了DR自动分类模型的性能。（2）本文提出用于缩小因眼底相机品牌不同引起的视网膜眼底图像域差异的域适应模型CA-GAN（Camera adaption generative adversarial network）。CA-GAN首先使用解纠缠表示框架将来自不同眼底相机品牌的视网膜眼底图像分别映射到域不变的结构空间和域特异性的风格空间得到结构编码和风格编码,随后交换输入图像对的风格编码实现风格迁移。同时,本文使用病理描述符提取模块提取原始图像DR相关病变信息并将其注入到迁移后的视网膜眼底图像中。使用CA-GAN进行域适应,有效缩小了因眼底相机品牌不同引起的视网膜眼底图像间的域差异,提升了DR自动分类模型在现实世界中的性能。