随着现代人生活水平的提高和生活方式的改变,越来越多的疾病开始频繁出现并引起了人们的重视,其中糖尿病作为人们比较重视的疾病,发病率逐年升高。而糖尿病性视网膜病变（Diabetic Retinopathy,DR）作为糖尿病并发症的一种主要病变,是检测糖尿病的主要手段之一,如果治疗不当,会引起患者视力丧失。所以如何在前期对病变进行检测然后进行针对性的治疗就成为当下医生的主要关键任务。传统的DR检测主要由眼科医师通过对眼底图像中关键的病灶区域进行筛选和判断,随着深度学习的发展,基于深度学习的DR检测越来越引起人们的关注,但仍然存在训练数据欠缺、网络训练时间偏长以及不能达到临床实用效果的问题。为了能够获得更加细致的病灶特征信息,减少网络训练时间,提高训练数据规模,本文提出一种双塔式糖尿病性视网膜病变检测模型,通过两个网络分别对完整的视网膜病变数据和经过分割处理的数据进行训练学习,融合全局和局部的病灶特征得到全面的病灶特征信息,并通过对网络损失函数的改进和注意力机制的应用,提升网络的训练精度。本文的主要工作如下:1.为了提高模型的图像特征表达能力,本文以获取信息较强的Inception-V3网络为主要的网络架构,通过在Image Net数据集上的预训练,将模型参数迁移到DR检测任务中,进一步微调以适应DR检测任务的病灶特征提取,减少了网络训练时间。同时针对DR五分类每一类间差异不同的特性,为了增加类间的区分度,将网络的损失函数由原来的交叉熵损失函数改为与均方误差的联合损失,通过在交叉熵损失函数中引入预测值和真实值的距离变化程度,提升了类间区分的效果。2.为了获得图像病灶区域更全面的特征,引入了结合空间和通道的注意力机制模块。相比较于普通的注意力机制模块,该模块不仅考虑了图像不同通道的像素的重要性,而且考虑了同一通道下不同位置的像素的重要性,从而提升了网络对病灶区域特征的提取能力。3.为了更好的获取病灶的局部细节量化特征,本文对数据集进行了分割,双塔式分类检测模型不仅对原始图像提取全局特征,还对分割后的图像进行了特征提取,作为补充来获取病灶的局部精细特征,解决原始图像在处理过程中的像素缺失问题,从而增加检测模型对特征的表达。最后本文针对改进的模型和方法在数据建模和数据分析竞赛平台（Kaggle）中的Di-abetic Retinopathy Detection数据集上进行实验,并分析实验结果。结果表明,本文提出的方法能够有效提升DR检测任务的准确率和类间区分度。