糖尿病性视网膜病变(DR)是由全身性疾病糖尿病所引起的一种眼部症状,患糖尿病时间较长的患者通常都会被这种眼部症状所困扰,而糖尿病性视网膜病变的检测与严重程度分级是该类疾病治疗的关键。近年来,卷积神经网络(CNN)在许多不同的视觉分类任务中取得了令人瞩目的性能。由于一般深度卷积神经网络的模型复杂、参数很多,所以需要大量的标注数据才能训练出比较好的效果。然而,现实中许多应用很难获取大量有标注样本数据,因此针对少量样本的训练数据做数据增强具有较大研究意义。本文聚焦于模型集成技术和数据增强技术的研究,通过对训练数据进行多种类型的数据增强并集成多种学习模型来提高最终分类模型的泛化能力,进而达到对不同质量的眼底图片快速准确分类的目的。主要研究成果如下:(1)提出了一种基于集成学习的糖尿病性视网膜病变筛查方法。该方法首先利用彩色直方图均衡化技术来增强眼底图片信息,并进一步利用数据扩充技术来提升不同架构深度神经网络模型的性能,最终利用所提出的新的集成学习策略来解决数据集过小、数据边界复杂的问题,使最终分类器更精确、更稳定,适用范围更加广泛。对糖尿病性视网膜病变的彩色眼底图片进行二分类的实验结果显示,该方法可以显著提升糖尿病性视网膜病变筛查的精度。(2)提出了一种基于数据扩充的糖尿病性视网膜病变筛查方法。针对眼底图像的特点,本文结合基于生成对抗网络技术和超分辨率技术,有选择性的对原有数据样本进行扩充,从而生成更多具有细节信息的训练样本。另外,为了解决眼底图像来源不一致所造成的数据分布差异较大问题,本文进一步引入风格迁移的思想,将其它来源眼底图像进行风格迁移,用来扩充现有数据集。实验结果显示,利用基于数据扩充的糖尿病性视网膜病变筛查框架,可以部分解决了原始数据集较小、不同类别图像样本分布不均问题,有效节约了人工标注成本,并在分类精度及kappa系数等指标获得提升。