当下,我国眼底疾病发病率逐年增加,由于眼科的专业性和专业眼科医生资源的匮乏,基层医院诊疗覆盖率极其有限,仅加大眼科医师的培养,难以满足目前眼底疾病的诊疗需求。近年来,深度学习技术在眼底图像识别领域蓬勃发展,研究基于深度学习的眼科疾病识别模型可以帮助医生对眼科疾病进行初步诊断,已经成为一种趋势。目前基于深度学习的眼科疾病识别模型主要针对单一眼科疾病进行识别,对多种眼科疾病识别模型的研究较少。同时深度学习模型在模型训练时需要大量已有标注的数据,收集和标注眼科疾病数据是一项非常艰巨的任务。本研究基于深度学习技术,构造眼科常见病多分类识别模型,并通过类激活定位方法对现有的眼科数据集进行数据增强,最终引入注意力机制进一步提升多分类识别模型的识别性能。主要研究内容如下:（1）基于迁移学习,训练了基于VGGNet16、Inception V3、Res Net50、Dense Net121和Efficient Net B0的六分类眼科常见病识别模型,然后对比眼科常见病数据集预处理前后训练获得识别模型上的结果。实验结果表明,在这五种模型中,基于迁移学习的Efficient Net B0模型识别眼科常见病效果最好,且各模型在预处理后数据集上训练获得的模型识别效果均有一定的提高。（2）针对数据集经过基本数据增强方法模型效果提升不明显问题,引入深度学习可解释性技术,对眼科常见病识别模型进行类激活可视化,再通过类激活定位方法对眼科常见病数据集进行数据增强。实验结果表明,通过类激活定位方法进行数据增强后的眼科常见病识别模型诊断效果均有提高,其中提升效果显著的是Inception V3和Res Net50模型。（3）针对数据增强后的眼科常见病模型精度仍然较低的问题,融合数据增强后提升效果明显的Inception模型和Res Net模型进行融合,引入以Res Net为基础、以Inception作为分组架构的Res Ne Xt模型,通过注意力机制对眼科常见病识别模型进行改进。实验结果表明,融合Res Ne Xt和注意力机制的眼科常见病识别模型在识别眼科常见病的精度高于此前效果最好的Efficient Net B0模型,本研究为后续将模型部署在基层医院提供了技术支持,有助于基层医院对眼科常见病的初步诊断、准确分类和及时转诊。