糖尿病严重并发症之一糖尿病性视网膜病变由于其发病率高、致盲率高引发了人们的关注。传统研究中,主要通过机器学习方法对采集到的患者眼底图像进行分类,并以医生的临床经验做为辅助判断。但由于医生水平参差不齐、机器学习方法的检测准确率低下等原因,使得绝大多数的患者没有接受定期的筛查或者在疾病早期未能得到有效的治疗而导致视觉受损甚至失明。深度学习与迁移学习近年来在图像处理这一领域取得了显著的成绩。深度学习可以从数据中提取特征来提高模型的检测准确率,而在更深层次的卷积神经网络的训练中仍然是由大规模带标记的数据集所主导,而迁移学习便解决了目前缺少大规模有标记的医学数据集的难题。本文以眼底图像为研究基础,以糖尿病性视网膜病变作为研究对象,建立对其病变等级进行分类的算法模型。本文主要贡献如下:(1)提出了一系列眼底图像预处理及图像增强的方式。在构建初始数据集时,提出多种图像预处理方法以解决患者眼底图像的噪声问题,避免采集图像时各种主、客观的原因对病变检测带来的影响。在构建二次数据集时,采取多种非平衡性图像扩充方法及病变特征强化方法,实验表明,经过多种方式对图像进行预处理,可以提升模型精度。(2)提出了引入预训练模型及多重迁移的方式。引入在Image Net上训练好的预训练模型VGG19、Inception-V3及Res Net50,调用其浅层网络权重。实验表明,引入预训练模型后,三个模型在性能上均得到一定程度的提升。利用构建的二次迁移数据集对预训练模型进行训练,三个模型性能较一次迁移学习有所提升,实验表明更加丰富的层次也可以在一定程度上提高模型性能。(3)提出了多种优化方式。提出了一种基于集成学习的糖尿病性视网膜病变检测方法,集成不同网络模型以提升模型性能;引入了一种损失函数加权的方法,解决数据集中数据分布不平衡负样本数量过小的问题;设计了Inception-V3模型对不同分辨率的眼底图像进行分类训练,探究不同分辨率对于模型精度的影响。