糖尿病视网膜病变是糖尿病引起的一种严重的病发症,是糖尿病性微血管病变的重要表现。目前,在临床上对糖尿病视网膜病变的诊断主要通过经验丰富的医生来完成,但受限于医疗资源的匮乏以及人工诊断效率低下等原因,部分患者可能无法得到及时的治疗而耽误病情。随着人工智能技术的不断发展,通过研究一种糖尿病视网膜病变自动分析诊断的方法来辅助医生完成诊断过程具有极其重要的意义。本文将利用深度学习技术,对糖尿病视网膜病变眼底图像进行了一系列的分析,包含糖尿病视网膜病变图像的分类和病灶分割二大任务,主要的研究工作如下:针对糖尿病视网膜眼底图像病变严重程度分类任务,提出了适用于分类任务的ADense2Net模型,提出的模型在DenseNet网络的基础上结合了多尺度卷积充分提取图像中的多尺度特征并使用注意力机制对病变信息进行关注学习。ADense2Net模型解决了不同病变类型图像之间病变细微而难以细分的问题。取得了83%的分类准确率和0.8的二次加权kappa值,有效提高了模型的分类准确率。针对糖尿病视网膜眼底图像病灶分割任务,提出了适用于病灶分割任务的AResUNet模型。提出的模型在UNet网络的基础上结合了残差网络的思想,通过残差模块融合不同层之间的特征信息并加深网络的深度,解决了UNet网络结构简单,无法充分提取眼底图像中细微病变特征信息的问题,并引入了注意力机制来对病灶进行关注学习。在微动脉瘤、出血点、硬性渗出物和软性渗出物四种主要病灶的分割中,分别取得了45.9%、53.6%、77.4%和63.5%的敏感度,有效提高了模型的分割精度。