糖尿病视网膜病变（Diabetic Retinopathy,DR）,简称糖网,目前已经成为了成年人视力下降甚至失明的主要原因,是糖尿病主要的综合症之一。本文针对糖尿病诱发病视网膜病变的眼底图像,开展了病变检测和病变评估等相关研究,取得了一定的研究进展。本文研究主要包括以下几个方面:1.针对眼底图像采集过程中的亮度不一致、光照不均匀、对比度较低及存在反光等各类成像质量问题及对后续检测不利因素,开展了眼底图像增强相关算法研究。同时结合视网膜本身的眼底结构特征,进行了不同结构下的分割算法以及与病变检测的关系分析,包括有利于微血管瘤检测的血管分割方法,作为硬性和软性渗出检测前提条件的视盘提取方法等。此部分有关眼底图像预处理方法的研究工作,对后续病灶检测和分级评估算法具有重要的意义。2.针对DR微血管瘤病变分布体型较小且结构统一的特点,本文研究和设计了基于卷积神经网络（Convolutional Neural Network,CNN）的检测算法,与各类经典算法相比,本文方法能够更加精确的检测出微血管瘤。同时,通过减少候选区的数量进一步减少了整体算法所需要的时间开销,提高运算效率。同时,本文提出了一种基于形态学重建的微血管瘤病灶候选区检测方法,该方法同样也适用于其他视网膜微小病灶的候选区提取。3.针对DR硬性渗出病变的结构分布复杂性,传统机器视觉特征难于精确刻画和描述等难点问题,本文研究和实现了融合深度特征与传统手工特征的集成检测方法,较好地解决了眼底图像的硬性渗出检测问题,大大提升了检测性能。实验结果表明,融合深度特征使得模型具有更强的特征表达能力和鲁棒性,在公开数据集e-optha上F-score值从0.8097提升到0.8928,在公开数据集HEI-MED上F-score值从0.5461提升到0.9318。4.针对DR软性渗出检测难题,本文研究和实现了一种基于多特征级联的软性渗出集成检测方法。通过融合深度特征提升了模型的性能。同时,在预处理环节采用了基于超像素分割的神经视盘分割方法,排除了大量的非软性区域,大大减少了检测算法的时间开销,提高了检测效率。5.最后,针对传统机器视觉建模方法难以精确提取DR图像的关键描述子和所包含的语义信息等,本文研究和实现了一种基于深度学习（Deep Learning,DL）的糖网图像病灶的自动分级方法,通过模型训练实现了糖尿病诱发视网膜病变的不同等级特征的自动提取。同时,采用了图像预处理、标签编码及迁移学习等大大提升了算法的性能,为研究成果的后续临床应用和技术推广奠定了基础。本文取得的研究成果,在四川省人民医院进行了临床测试,实际数据集上测试取得了初步的应用效果。