本论文主要研究基于深度学习神经网络的眼底视网膜图像的自动分类和语义标注模型的设计与实现,针对生物医学成像中眼底图像数据集的获取、处理、分析的困难,以及对自动化眼底图片分类、标注模型中的一些关键性问题进行了探讨和优化,主要包括以下方面:1.针对眼底视网膜图像数据集不足的问题,采用了基于正态分布的离群点检测方法对AIFT方法进行了改进,并通过在眼底视网膜图像数据集上的对比实验证明,改进之后的AIFT方法加快了深度神经网络的训练速度,缩减了训练时间并且提高了模型训练过程中的稳定性;2.针对Hinton在2017年提出的胶囊神经网络中squashing激活函数的选取问题,探讨了3种不同函数的优劣,通过在Mnist数据集上进行对比实验,结果表明新采用的3种激活函数中,只有一种sigmoid激活函数未能有优于原文的性能表现,其余均比原文的squashing激活函数的性能表现更好。并以此新的激活函数进行胶囊网络的训练,用于对15000张眼底视网膜图像进行6分类的模型预测;3.采用所提出的改进的AIFT方法,以及新的激活函数的胶囊网络模型,进行眼底图像语义自动标注模型的设计与实现。该模型首先获取Yolov2公开的预训练好的darknet模型数据,将其最后两层卷积层替换为胶囊层,在眼底图像数据集上对该模型进行微调,进而采用循环神经网络进行训练,最终实现对眼底图像的自动语义标注。本论文主要聚焦于如何利用比较成熟的深度学习神经网络对眼底视网膜图像进行自动处理,以促进眼底视网膜图像在诊断、治疗中的实际应用,达到辅助医生进行诊断决策的目的。