白内障是当今发病率和失明率最高的眼科疾病之一。对预防失明来说,在早期及时发现并准确诊断出白内障尤为重要。临床白内障诊断往往需要眼科医生专业的知识和丰富的经验,但贫困和边远地区的白内障患者通常因为缺少专门的眼科医生而错失了诊治的机会。深度学习技术发展至今,在许多图像分类任务中都得到了广泛而成功的应用,然而,在白内障的自动检测任务中仍然存在着巨大的挑战。这是由于白内障及眼部B超图像的两个特点:首先,白内障的病变区域位于眼球中的晶状体内,而在眼部B超图像中晶状体只占极小的一部分。其次,不同的白内障患者,晶状体的病变特征和区域也是不尽相同、多种多样的;且与正常晶状体的眼部B超图像十分类似,这导致了白内障眼和正常眼的眼部B超图像之间只存在极小的差别,表现出极大的相似性。本文根据以上特点,提出了一个基于残差注意力的多模型集成方法,以用于白内障诊断。本文的主要贡献如下:1.构建用于白内障诊断的集成模型,由三个效果最好的分类网络和一个集成模块组成,相当于综合多名眼科医生的判断,以获得更可靠的诊断结果。2.使用目标检测网络,在眼部B超图像中定位眼球区域并去除无关背景的干扰。3.设计残差注意力模块,嵌入分类网络,使模型更加关注晶状体和病变位置,从而提高晶状体部分的注意力权重。4.基于临床眼部B超图像数据集的实验结果显示,本文多个注意力模型集成的方法能够自适应地关注眼球内发生白内障病变的异常区域,在测试集上达到97.5%的准确率,超过单个模型的效果。