青光眼和糖尿病视网膜病变已经成为导致视力受损和失明的主要疾病。定期筛查对于眼底疾病患者来说尤为重要,可以提早发现病情,延缓病情的发展,避免视力受损和失明的发生。近年来,计算机技术领域飞速发展,计算机辅助诊断系统的应用发展蓬勃。计算机辅助系统可以提高疾病诊断准确率,节省人力物力。因此,眼底影像分析对临床医学有重要的意义。目前,在眼底图像分割任务中,绝大多数方法使用基于U-Net的框架。然而,这些研究都忽略了以下几个问题:（1）在传统的编码层中,往往通过反复的卷积操作提取图像特征,操作过于简单,不能提取更精细的特征;（2）在解码层中,连续反卷积操作忽略了不同层间的信息;（3）小区域眼底图像分割性能不够理想。另外,在以往的糖尿病视网膜病变图像分级任务中,眼底病变图像的细粒度属性被忽略;传统的卷积操作不能很好的提取特异性图像特征;糖尿病视网膜病变图像数据集普遍存在样本分布不均的问题,限制了网络的分类性能。对于上述两个领域中的问题,本文提出下列方法,以应对这些挑战:1.本文提出了一种新的聚合通道注意力网络,以充分利用上下文信息对图像分割的影响。与现有的注意力机制不同,本文利用通道之间依赖性并将不同规模的信息集成到注意力机制中。同时,本文改进了基于交叉熵的分类框架,结合了骰子系数和交叉熵,平衡了骰子系数和交叉熵损失对分割任务的贡献,提高了小区域网络的分割性能。该网络保留了更多的图像特征,更准确地还原了重要特征,并进一步提高了医学图像的分割性能。2.本文使用细粒度图像分类方法解决糖尿病视网膜病变分级问题。眼底病变分级问题本质上是对不同病变等级的眼底图像分类。本文利用紧凑双线性池化实现细粒度图像分类,并利用通道注意力机制提取更具有特异性的图像特征。对于样本不均衡的问题,本文使用了两种损失函数,从不同角度分析了样本不均衡对实验结果的影响。多项实验表明,本文使用的方法对糖尿病视网膜病变分级有积极作用。