糖尿病性视网膜病变（糖网病）是糖尿病并发症中一个最为严重且最为常见的致盲眼疾,是导致成人失明的主要病因。目前,眼科专家对糖尿病性视网膜病变的诊断主要取决于对视网膜眼底图像的判别,从中识别出病变表征进而给出诊断结果和相应的治疗措施。这一诊断方式往往受限于医疗条件分布差异以及人工识别费时费力等原因,使患者错过了最佳的诊治时间。近年来,深度学习和现代医疗设备相结合的技术,为糖网病的分级诊断提供了方便可靠的解决方案。本文基于深度卷积神经网络技术设计了一个用于糖尿病性视网膜病变分级诊断的自动化系统。主要从以下两个方面开展研究:第一:本文基于经典的U-Net细胞分割网络,设计并实现了可以从原始的视网膜眼底图像中进行眼底血管、眼底出血点以及眼底渗出物等病变特征提取的U-Net分割网络,然后使用特征融合单元将三种病变特征进行融合,融合特征可作为后续视网膜病变分级（分类）网络的输入指导。第二:基于经典的深度卷积神经网络架构Inception-Resnet-v2,设计了一个包含特征融合单元且具有双分支结构的双塔融合分类网络完成视网膜眼底图像的分类任务。本文的研究基于深度卷积神经网络的相关知识,力争通过机器自动提取的原始图像特征与有人为选择的特征子图像融合的方式来提升糖网病分级诊断系统的性能。该系统可以极大的提升眼科医生的诊治效率,并且为AI辅助糖网病筛查项目的落地和商业化起到推进作用。