糖尿病引发的视网膜病变因其早期病症不显著,晚期不能根治,一直是困扰眼科医学难点问题。临床实践证明,此类疾病的早期发现,对于疾病的控制和治疗有着十分重要的意义。不同领域科研工作者从不同角度在这个领域开展相关研究工作,其中,将人工智能和机器学习技术应用于眼底病变的早期发现,是这一领域的一个重要研究方向。近年来,以神经网络为核心的深度学习发展迅速,特别在图像和语音识别领域表现出了卓越的性能,并且成功应用于医学图像诊断领域。本文开展了基于残差神经网络(Residual Networks,ResNets)眼底视网膜病变图像识辨和病症自动描述研究,主要研究内容如下:1)开展样本生成、图像增强方法研究,以克服样本不充分,分布不均衡等问题,从而有效的提高了神经网络的学习质量。2)提出了基于ResNet(残差神经网络)对眼底图像进行分类方法,针对卷积神经网络在训练过程中,随深度增加学习率出现饱和甚至下降等问题,采用残差神经网络代替传统的卷积神经网络,通过残差学习来解决退化问题,并且修改残差网最后一层进行分类,达到将病变分类的目的。3)提出了基于ResNet-LSTM模型的眼底图像标注和理解方法。模型分两层,底层为ResNet,用于图像特征提取,上层为LSTM,将ResNet输出的特征进行处理,最终输出关于该图像的描述信息。