如今眼部健康问题被越来越多的人所关注,而彩色眼底图像是眼底疾病筛查中常用的医学图像,它不仅包括了视杯视盘和血管等结构,还包括了患病时会产生的一些病变,如渗出物、微动脉瘤等。卷积神经网络在视网膜病变辅助诊断领域已经取得了一些成果。但由于其局部操作的特性,难以保留眼底图像的全局上下文信息和长依赖关系,导致当应对眼底图像中复杂多变的病变或组织结构时,常常捉襟见肘。本文基于自注意力学习,研究了关于视网膜病变辅助诊断的相关技术,主要工作如下:基于非局部注意力学习的视网膜病变检测方法研究。针对传统卷积神经网络在该任务中难以建模特征的长依赖关系和保留全局上下文信息的问题,分析了非局部操作的理论原理,提出了基于非局部注意力学习的眼底图像分类网络——NAL-Net。在三个公开眼底数据集上进行实验,通过与传统算法的对比,验证了NAL-Net的有效性,证明了使用自注意力学习方法引入全局特征对网络性能具有提升效果。基于层次化自注意力的眼底图像分割方法研究。针对U-Net在预测过程不可避免地稀释了全局上下文信息,不同层次之间的特征融合简单而粗糙的问题,提出了层次化自注意力模块和特征融合模块。然后结合U-Net设计用于眼底图像的分割网络——HSU-Net,分割目标包括视杯、视盘、血管和病变等。最后,在不同任务的多个眼底图像数据集的实验结果表明,HSU-Net相比其它分割模型总体上有较好的表现,可以得到更为精确的分割精度。视网膜病变辅助诊断多任务学习方法研究。立足于以上研究,通过设计半监督训练方案和多任务学习网络,实现了在单个模型中同时进行DR分级和病变分割这两个密切相关的任务。首先,通过先前研究成果使用取得了半监督训练的伪标签数据和训练集。然后设计损失函数和多任务学习网络,利用不同位置的输出层,以端到端的方式输出DR分级和病变分割结果。最后,通过与现有主流网络模型的对比实验验证了本章中提出的方法有效性。