随着深度学习地快速发展,使用深度学习的方法来辅助医生进行疾病诊治已成为了一个颇具热度的研究方向。而眼部又是疾病的高发区域,所以使用深度学习的方法来进行眼部疾病地诊断是亟需深入研究的领域。由于生活环境和条件地变化,愈来愈多的人患上了糖尿病。而随着糖尿病患病时间地增长,患者也可能会患上糖尿病视网膜病变这一并发症,其对眼部健康危害极大。如果没有及时地进行诊治,将会耽误治疗的最佳时机以致于视力受损甚至失明;其次,眼底血管是诊治众多眼部疾病的重要指标和依据,故运用深度学习的方法来对眼底血管进行分割以辅助医生进行相关眼部疾病的诊治是十分有必要的,其极大地减轻了医生的负担以及提高了诊断的效率。所以针对这两个问题设计相关的深度学习方案是十分有实际意义的,其有助于眼部疾病的预防以及医生诊治效率地提高。针对糖尿病视网膜病变分级以及眼底血管分割所存在的问题,本文基于卷积神经网络分别提出了基于Noisy-student自训练方法以及DP-Efficient Net分类模型的糖尿病视网膜病变分级方案以及眼底血管分割模型DA-Res2UNet。本文主要工作内容如下:（1）针对糖尿病视网膜病变分级工作,考虑到糖尿病视网膜病变数据集数据量普遍较少,导致模型十分容易出现过拟合问题以影响模型性能。而现实环境中又存在着大量的无标签医学数据,所以本文使用了基于半监督学习的Noisy-student自训练方法来对这些无标签数据进行利用以提升分类模型性能,最终通过DPEfficient Net分类模型完成了对糖尿病视网膜病变的分级工作。后续的各项实验也充分证明了该糖尿病视网膜病变分级方案的有效性。（2）针对眼底血管分割所存在的问题,本文提出了眼底血管分割模型DARes2UNet。此模型以经典的医学图像分割模型UNet为基础,将其中的普通卷积模块替换成了Res2模块以帮助模型获取多尺度信息;其次,本模型添加了Dual attention模块,其有利于模型获取全局依赖信息以提高分割精度;为了降低模型过拟合的风险,该分割模型添加了更加适用于卷积层的Dropblock模块。经过后续的实验论证,该模型是优越且行之有效的眼底血管分割模型。