目前,糖尿病视网膜病变的诊疗过程中面临的困难之一是如何安全又高效地进行视网膜图像的检查,及时地辨识视网膜病变以便及早地采取相应措施防止病情恶化。本文针对糖尿病视网膜病变中最先出现的病灶——微动脉瘤的检测方法进行了深入的研究,主要研究内容如下:（1）介绍了研究背景与微动脉瘤检测的基础理论。首先,总结了微动脉瘤检测技术的研究背景及意义和国内外的研究现状,并指出了该领域的研究目前仍然存在的问题。然后,介绍了视网膜图像的预处理技术以及对微动脉瘤区域的特征进行分类筛选的随机森林算法。（2）实现了微动脉瘤检测的预处理及候选区域分割方法。首先,针对视网膜图像中光照不均匀和色彩多样化的问题,本文采用了数学形态学的方法进行了处理,改善了视网膜图像的视觉效果,有利于后续的微动脉瘤区域分割处理。然后,针对微动脉瘤检测易受视网膜图像的背景、血管和视神经盘的干扰的问题,本文采用数学形态学、霍夫变换以及GrowCut算法等多种方法,提高了微动脉瘤候选区域分割的准确性。（3）实现了基于加权随机森林的微动脉瘤检测算法。首先,针对微动脉瘤检测没有考虑纹理特征的问题,在特征提取时加入灰度共生矩阵特征,并进行定量和定性分析,实验验证了灰度共生矩阵特征的有效性。同时,通过进行对比实验,表明灰度共生矩阵特征确实提高了微动脉瘤检测的准确性。然后,针对传统随机森林进行微动脉瘤检测算法时,准确度不高的问题,在传统的随机森林模型的基础上实现了一种加权随机森林算法,即在分类投票之前,预先将每一棵决策树的投票能力改变成与其训练准确度相对应的权重。该算法在ROC数据库得到的测试结果:敏感度为77.01%,特异度为90.75%。此外,通过大量实验结果表明,加权随机森林的检测结果优于传统随机森林和其他几种典型分类器。（4）设计并实现了微动脉瘤检测GUI系统,并对本文微动脉瘤检测算法进行了总结与展望。