糖尿病视网膜病变检测是当前医学图像处理领域的研究热点之一。对于众多糖尿病患者而言,及早的检测到视网膜病变并进行治疗是控制病情发展的关键,正因如此本文主要研究早期的红色病灶检测。红色病灶由于与背景颜色相近对比度低,血管等组织结构以及眼底图像成像干扰等原因而难以被检测,传统的检测方法主要依赖手工提取特征对候选区域进行分类,存在手工特征描述能力不足的问题。本文主要基于卷积神经网络进行病灶检测算法的研究,主要研究内容与贡献如下:（1）视网膜病灶候选区域提取,本文针对传统底帽变换病灶提取算法提取尺度单一,不能满足形态不一的红色病灶提取问题,提出一种基于多尺度底帽变换的病灶候选区域提取算法。首先通过多尺度底帽变换提取不同分辨率的病灶候选区域,每个尺度结果中都含有较多的非病灶区域,之后使用连通域数量阈值减少非病灶区域数量,使用面积滤波的方法去除噪声点,最后融合不同尺度的结果得到用于后续检测的病灶候选区域。（2）基于改进LeNet卷积神经网络的病灶检测方法,针对眼底病灶图像样本数量相对较少,分辨率低和对比度低等问题,改进了传统LeNet卷积神经网络。首先加深了网络的深度,使其能够学习到更多的特征;针对样本类别不均衡问题使用加权交叉熵损失函数;针对训练过程易出现过拟合与欠拟合的情况,使用一种基于损失变化率的动态学习率。实现了一种适用于病灶检测任务的卷积神经网络。（3）基于深度特征融合的病灶检测方法,提出了一种传统手工特征与深度特征融合进行病灶检测的方法。除常用的手工特征外,本文提取的手工特征中加入了基于血管分割结果的形状特征与多通道图像下的像素特征。之后使用卷积神经网络提取深度特征并与手工特征进行融合,训练随机森林分类器进行分类,进一步提高了检测效果。本文在DIARETDB1和E-ophtha数据库下实验结果表明,所提取的候选区域经过改进的LeNet卷积神经网络在视网膜图像病灶检测上取得了较好的效果;随后使用卷积神经网络提取的深层特征与手工特征相融合的方法,进一步加强了病灶特征的描述能力,提高了检测效果,同时也验证了深度特征与手工特征的互补性。