眼底视网膜是眼球内一层布满诸多血管的网状薄膜,在患有眼部视疾情况下往往出现病变,而后天病变出现最多的疾病类型有糖尿病、青光眼、白内障等。眼疾是造成视力受损的主要原因,如果治疗不及时,往往造成不可恢复的视力损伤。若能尽早发现,及时治疗,乃至预防,这对视疾患者的意义重大,对降低全国视疾患者增长率具有积极意义。传统眼部视疾检查需要患者依据流程拍摄眼底图片然后移交临床医生进行判别,十分耗时,并且不适合全国视力普查。随着计算机辅助诊断技术的发展,深度学习在医学领域的研究越来越重要。然而由于眼底图片采集设备多样导致质量的不一致性、疾病种类多样导致特征的冗余性以及同一图片可能出现多种疾病的多标签性等问题,这些问题使得眼疾识别存在一定的难度。针对以上问题,本文提出一种多特征融合的改进VGG16网络识别模型,用于对多标签眼底视网膜疾病进行分类识别。首先,对眼底图片切除黑边并裁剪至统一大小以方便网络输入,随后利用直方图均衡化提高图片对比度,同时借助导向滤波算法对图片进行降噪处理以及进行数据归一化以加快网络收敛速度,完成图像预处理。接着,设计一种多特征融合的眼疾识别模型,以VGG16为基线网络,通过门控注意力机制将深浅特征进行融合,削减冗余特征并关注重点特征。同时在网络中嵌入改进的多尺度Inception模块用于把握全局特征和增大模型的感受野。最后利用上述模型将左右眼特征进行提取,分别利用相乘、相加和拼接三种融合方法进行消融实验并选择最优的融合方法完成特征的最终提取,分类时通过八个二分类器实现对每种类别的单独识别。为验证提出方法的有效性,利用实验进行研究分析。在消融实验中,逐一添加改进模块最终整理成四种方法,通过评价指标的结果证明了改进模块的有效性。在对比特征融合的方法实验中得出,对应通道相加的方式具有最佳的表现性能。在对比实验中,将本文提出方法Inception＿v3、VGG19、Res Net50以及基线网络VGG16进行对比分析,提出方法的Acc为91.47%,loss为0.112,相比于其它方法具有最优的识别准确率和最低的损失值,证明了提出方法的有效性。