彩色眼底图像的处理和分析是当今医学图像处理领域的一个重要方向。在医学临床中,彩色眼底图像是眼科大夫对眼底疾病患者进行疾病诊疗的重要依据。通过对眼底图像中潜在的患病区域(例如微动脉瘤,眼底出血,渗出物等)进行详细的筛查与诊断,医生可以对患者的病情进行评估并给出相应的治疗措施。但是人工诊断的效果严重依赖于医生的经验,并且诊断过程比较耗时,同时受限于医疗资源的匮乏,使得不少患者的疾病无法得到及时的诊断和治疗,最终导致不可挽回的视力受损甚至失明的后果。因此,通过图像处理、模式识别以及机器学习等领域的方法,对彩色眼底图像进行自动并且精确的处理与分析,对于眼底疾病的预防和及时治疗具有十分重要的意义。本文主要采取深度学习的方法,对以下三个方面的内容进行研究:(1)糖尿病视网膜病变的严重程度的分类。糖尿病视网膜病变是糖尿病的一种常见的并发症,是导致失明的重要因素之一。针对糖尿病视网膜病变的分类问题,本文提出了一种基于深层监督网络和深度残差网络的“深层监督残差网络”方法。在该方法中,首先通过剪切重采样和代价敏感学习两种方法来消除数据集类别不均衡对模型学习的影响。其次,为了提高网络的分类性能,在深度残差网络的中间层引入了类别的监督信号,从而为网络训练时提供额外的正则项;同时,本文还综合利用了深层监督的中间层的分类预测结果进行多尺度的集成学习。(2)微动脉瘤的检测。微动脉瘤是一种由视网膜毛细血管局部扩张引起的眼底生物损伤,在眼底图像上呈现为近似圆形的小红点。因为微动脉瘤是最早呈现的、可检测的与糖尿病视网膜病变相关的损伤,因此微动脉瘤的准确检测在糖尿病视网膜病变诊断中发挥着重要的作用。针对该问题,本文提出了一种基于图像块级卷积神经网络的方法。首先,根据微动脉瘤相关的先验知识,生成了超过40000张含有微动脉瘤标记的眼底图像,并从这些图像中分别剪切得到含有和不含有微动脉瘤的两类图像块。接着,利用剪切获得的图像块作为训练样本,训练图像块级的分类网络。在对未知的样本进行测试时,采用滑动窗口的方法依次对图像中的图像块进行分类预测,从而得到逐像素的微动脉瘤的预测结果图。由于预测得到的预测概率图中含有较多的概率较低的像素点,所以为了进一步提高网络的检测性能,我们还使用一些简单的后处理步骤对预测结果进行了后处理。(3)弱监督条件下的病变区域检测。在这一方向上目前还没有其它的工作提出。考虑到在实际的糖尿病视网膜病变计算机辅助诊断中,仅仅预测得到样本的所属类别往往是不够的。在预测得到样本的类别之后,能够准确的预测相关的病变区域更加重要。所以,本文尝试研究弱监督条件下的糖尿病视网膜病变的病变区域的检测定位工作。具体来说,首先训练糖尿病视网膜病变分类网络,然后利用该网络生成与预测样本的类别相关的目标区域热图,最后根据该热图进行病变区域的检测。