糖尿病视网膜病变是糖尿病严重的并发症，是成年人视力下降甚至致盲的主要原因之一。硬性渗出物是糖尿病视网膜病变的早期特征之一，因此对硬性渗出物进行早期的普查，能有效防止视力下降和损伤。目前，糖尿病视网膜病变主要由眼科医师进行人工检查，大量的眼底图像、高昂的检查费用和专业医师的缺乏等增加了医生的工作压力，同时使得病人不能得到及时的诊断和治疗。因此使用计算机基于图像识别的自动检测技术能有效提高眼底图像检测效率，给病人和医师带来福音。目前有许多研究人员和相关研究机构提出了多种硬性渗出物自动检测技术方法，可以归结为基于阈值分割、基于形态学、基于区域重建和基于分类的四大类方法。这些方法各有优缺点，对硬性渗出物的检测都取得了一定的效果，但他们均不同程度地忽略了眼底图像存在的各种干扰因素。为此，本文从硬性渗出物本身的特征出发，提出了一种直方图分割和分类相结合的方法。预处理阶段中的图像增强实现了亮度均衡化和对比度增强，解决了视网膜眼底图像中常见的亮度不均衡对比度偏低的问题。在直方图分割阶段，根据硬性渗出物的亮度特征使用高斯混合模型对其灰度分布直方图进行概率密度估计，根据相应的概率密度分布函数选择动态阈值进行初步的分割。为了使硬性渗出物的候选区域的边界更加清晰，我们使用了形态学重建方法。通过直方图分割阶段，我们得到了硬性渗出物的候选区域集。在分类阶段，为了将硬性渗出物与非硬性身渗出物区分开来，根据硬性渗出物的自身特性对每一个候选区域抽取了44个特征，使用支持向量机进行分类，并得到最后的分类结果。我们使用基于区域和基于整体图像的双重标准来评价我们的方法。在DIABETIC1数据库上，我们的方法在基于区域的评价标准中取得了94.7%和90.0%的平均敏感性和平均预测率，在基于图像的评价标准中分别取得了100%、81.3%和93.18%的平均敏感性、平均特异性和平均准确率。与其它文献实验结果比较说明我们的方法具有一定的优势，可以为糖尿病视网膜病变普查提供一种自动检测方法，在临床诊断上具有潜在的应用价值。