糖尿病视网膜病变是导致失明的首要疾病之一,及时诊断和治疗能够挽回患者视力损失。糖尿病视网膜疾病诊断是指利用给出的视网膜图像判断患者疾病程度。本文的糖尿病视网膜疾病诊断方法能够准确分割出视网膜图像中的血管,然后利用分割时提取的特征完成疾病诊断。主要研究工作如下:针对样本不足的问题,提出了一种视网膜图像分块分割方法。为了保留直径较小的血管,本文设计了尺寸不变特征,避免了下采样造成的信息大量丢失的问题。针对样本数量不足的问题,本文设计了对原始图像进行多次采样的视网膜图像分块分割的方法。另外,对于分块后出现拼接条纹的问题,本文提出了有重叠分块方法。本文设计了一个全卷积神经网络,逐块分割视网膜图像,在计算能力较低的计算机上即可完成计算。本文通过实验证明了在国际公开视网膜图像数据库上,本文方法相比于传统方法在分割的准确率和处理速度上均有提升。针对感受野较小和收敛速度慢的问题,提出了一种视网膜图像全局自适应权重分割方法。对于视网膜图像中血管像素比例远低于背景像素比例问题,本文提出一种自适应权重的方法,能够随着迭代的进行更新像素在损失函数中的权重,解决了该问题,也能够加速网络收敛。为了扩大神经网络的感受野,本文引入了atrous卷积,能够任意控制感受野,克服了尺寸不变特征感受野较小的问题。针对视网膜血管图像中背景复杂的情况,本文设计了SegVessel网络,使用了三个损失函数加速网络收敛。实验证明,本文方法在DRIVE数据集上准确率和召回率达到96.00%和77.46%,在CHASE_DB1上也达到了95.17%和77.56%,超过之前算法。针对糖尿病视网膜病变诊断过程中特征提取困难的问题,本文设计了基于残差网络的病变诊断神经网络,将视网膜图像分割所提取的特征作为诊断的特征。对实验结果进行可视化后证明,本文设计的神经网络学习到了诊断所需的血管、病变区域等特征。在国际公开数据库上,本文诊断的正确率达到了93.09%,召回率达到了94.61%,两个指标均有提升。