在非先天性视力残疾案例中,眼底疾病是构成视力缺损的主要原因。而糖尿病视网膜病变、青光眼、白内障、高度近视、年龄相关性黄斑病变以及高血压等疾病通常是眼底病变的导火索。如果能够及时发现、及时治疗,那么将降低患者致盲风险,全国视力残疾患者增长率也将得到良好控制。随着深度学习技术热潮的涌起,计算机技术与实际应用结合越来越紧密,同样也逐渐在医疗领域崭露头角。然而深度学习在眼科疾病筛查中的应用,大多都是针对单种疾病,对于多种疾病的综合诊断研究,仍然较为匮乏,包括可用数据库及可参考方法都较难获得。且常规体检应以全面筛查为目的,对体检者健康状况给出综合评估报告。因此目前研究成果并不能满足体检项目中眼底疾病全面性筛查需求。基于此目的,本文提出了一种基于深度学习的多疾病分类方法,并给出了一个完整的眼底视网膜图像辅助诊断解决方案。首先,对数据归一化,剪裁掉多余的背景,并利用直方图均衡化解决光照不均匀问题,然后对少样本进行数据增强及扩充来解决样本不平衡;随后将Resnet50作为主干网络,并且利用多任务学习来解决多标签分类问题,并根据左右眼的相关性对左右眼图像进行拼接,融合左右眼特征,从而提高模型的精度;由于眼底图像的疾病分类本质上是根据图像上的病灶来判断的,因此引入注意力机制来使得模型更关注病灶特征,增强网络对有效特征的学习能力。最终训练得到的最佳单模型的准确率为0.7069,Jaccard指数为0.5916,f1-score为0.9232,AUC为0.9335。实验验证了Resnet50强大的特征提取能力,以及注意力机制的有效性。最后通过多模型融合技术,进一步提高模型的精度,模型融合后准确度为0.7103,Jaccard指数为0.6042,f1-score为0.9261,AUC为0.9458,具有一定辅助诊断价值。本文主要研究目的在于设计对多疾病、多标签的分类策略和框架,而不是讨论主干网络的好坏,所以并未选择性能最优的主干网络进行实验。另外,本实验基于表现层状态转移(REST)思想,搭建了辅助诊断交互平台。可以通过简单操作运行诊断程序,完成眼底视网膜图像多疾病分类的系统化实现。