彩色眼底视网膜图像是诊断眼底疾病的基础根据,糖尿病视网膜病变（Diabetic Retinopathy,DR）是这些眼底疾病中最常见的种类之一。迅速准确地处理眼底图像能够有效帮助糖尿病患者进行早发现早治疗,从而大幅度提升治愈率。但是目前人工诊断较大程度依赖有经验的医生,不仅耗时,而且导致边远地区缺乏医疗资源的患者无法得到及时救助。因此,通过图像处理、机器学习以及深度学习方法来实现自动化辅助诊断,对于眼底疾病的预防和及时治疗具有?分重要的意义。本文使用深度学习的方法,对以下三个方面的内容进行研究:（1）糖尿病视网膜病变严重程度的分类。在糖尿病患者中,糖尿病视网膜病变是致盲的主要原因。针对眼底图像中的微动脉瘤等微小病理特征提取难的问题,本文提出了一种注意力机制模块。该模块通过融合特征图原本的特征信息与注意力单元得到的通道信息,为微小特征增加了网络的权重,再使用除操作去除特征图中的冗余信息,得到注意力机制特征作为双任务的输入;针对均方误差（Mean Square Error,MSE）损失难优化和交叉熵（Cross Entropy,CE）损失未考虑错分DR等级的代价,设计了多任务学习模块,加权融合了回归任务的MSE损失和分类任务的CE损失。基于这两个模块的设计,提出了融合注意力机制的多任务学习网络（fusion of attention mechanism and multi-tasking learning network,FAMT）。本文进行了对比度增强,黑色区域去除等一系列图像预处理操作后,在大型数据集上进行了模型验证。（2）糖尿病视网膜病变区域的分割。糖尿病视网膜病变严重程度取决于几种生物损伤,包括微动脉瘤（microaneurysms,MA）、软性渗出（soft exudates,SE）、硬性渗出（hard exudates,EX）和出血点（hemorrhages,HE）等,检测出这四类病灶区域,有利于对糖尿病视网膜病变分级诊断提供医学依据。针对眼底图像中存在像素点占比小问题和多尺寸特征捕捉问题,基于对主流分割模型的分析和验证,提出了全新的分层多尺度空间门控注意力机制（Hierarchical multi-scale spatial attention gating mechanism,HSAG）的DR分割模型。在训练阶段,HSAG模型输入多张多尺度图像到主干网络进行语义信息提取后,利用提出的空间门控单元（spatial attention gating,SAG）对低层次空间信息和高层次语义信息进行逐级融合,将得到的特征映射进行分层性注意力的权重分配,从而得到最终的分割预测;在推理阶段,按层次计算方式应用HASG训练得到的权重,把N个预测尺度组合后进行计算,以达到不增加训练代价基础上,增加分割精度的目的。（3）糖尿病视网膜病变识别辅助系统。基于前两个研究的模型,设计并实现了一个基于Web的糖尿病视网膜病变识别辅助系统,便于糖尿病患者以及医护筛查人员用于眼底图像病变识别检测。本系统基于VUE+Antd作为前端设计技术,结合Fast Api将深度学习模型部署在云服务器上,通过客户端发送图像分割与分类请求,利用服务器中部署好的两种模型,将结果返回给用户并进行展示。