糖尿病性视网膜病（Diabetic Retinopathy,DR）是成年人失明的主要原因,随着糖尿病人口的不断增加,糖尿病性视网膜病患者的人数也在逐年递增,早期发现这种情况对于良好的预后至关重要。视网膜眼底图作为医生诊断眼部疾病的重要判断依据,对图片进行准确的分析可以使患者得到及时的救治。但传统人工诊断方法耗时费力,其确诊和治疗过程是复杂的,同时受限于医疗资源的匮乏,不能很有效的进行大规模快速诊断筛查,这最终导致了不少患者因治疗不及时而造成视力不同程度的受损,这无疑对个人和社会都造成了巨大负担。近年来,卷积神经网络（CNN）在图像识别领域有着广泛应用。利用卷积神经网络模型可以帮助眼科医生进行迅速有效的诊断。这样既可以节省医疗资源,也可以让患者得到及时的救治。这对于眼底疾病的预防和治疗具有十分重要的意义。本文希望通过利用深度学习的方法对眼底图像数据进行多特征学习,从而对糖尿病性视网膜病进行有效的分类诊断,据此,本文描述了基于眼底图像的糖尿病性视网膜病诊断模型,主要包括以下两个部分:第一,本文提出了一种针对彩色眼底图像的图像信息处理算法Rotate Cut Mix,通过对不同容量和不同数据源的两个眼底数据集进行针对性的预处理,使得原本样本容量较小且图片质量差异较大的医疗数据集的特征更加明显,同时,也可以增强不同特征之间的关联信息,另外,Rotate Cut Mix可以通过对多特征的重复利用,进而为后续的诊断分类提供具有判别性的依据并完成疾病分类;第二,本文构建了一种基于卷积神经网络的特征集成学习模型,利用眼底图像数据进行特征学习并进一步完成病程的划分。该集成模型通过各个子模型对所需特征进行相关性筛选,得到与疾病最相关的特征信息并以此作为分类依据输出,通过修改各个子模型的网络结构和损失函数,创新的将眼底图像分类问题转化为一个回归问题,实现了卷积神经网络与传统机器学习方法相结合,提高了模型的识别率。此外,本文采取基于机器学习的迁移训练方法,通过对特征进行迁移学习,减少训练时所需的计算资源,提升网络的学习速度,增强特征表达能力,进而提高模型的分类性能。本文最后通过对卷积网络提取到的特征进行了热点图分析,直观的解释了集成模型分类的依据。相比于其他方法,本文采用五倍交叉验证进行结果对比,实验结果表明,本文模型训练时所花费的计算资源更少,分类准确率更高。分类集成模型验证准确率达91.36%,F1分数为86.42%,比前人方法的准确率提高了近5%。本文通过创新的图像信息处理算法,利用不同的卷积神经网络以及特征选择方法对彩色眼底图像数据进行了针对性的深度学习和分类,花费较小的计算资源并获得优异的分类性能。