目前,基于深度学习的眼底图像分析及眼部疾病检测技术被广大的学者研究及关注。视网膜血管为糖尿病性视网膜病变（Diabetic Retinopathy,DR）等眼科疾病的诊断提供了许多重要信息。从视网膜血管的分割结果能直观的看出患者眼部是否出现病变,从而减少医生对早期眼科疾病的误判;而DR的分级结果能让糖尿病患者清楚的了解自己眼底病变情况,以更好的配合医生进行相应治疗。然而,视网膜血管分割和DR分级不仅对医疗人员的要求极高,而且费时费力。因此,使用深度学习技术实现眼底图像下的自动视网膜血管分割和DR分类对于DR的临床诊断具有十分重要的意义。论文的主要研究工作如下:（1）针对目前视网膜血管分割任务存在的难点,提出了基于U-Net网络的两阶段训练分割模型。其中,第一阶段的Att Res U-Net网络是将原始U-Net网络中编码器和解码器的卷积模块更换为带有恒等映射的残差模块,并在每一次跳跃连接（Skip-Connection）处都加入了注意力机制（Attention）;第二阶段Mini-Att Res U-Net网络是对Att Res U-Net网络裁剪得到的,它相当于Att Res U-Net的中间层。这些改进能让网络更好的区分血管与非血管,以防细小血管像素丢失,并更大程度的保留血管细节,提高分割精度。该方法在DRIVE和STARE两个公开数据集上进行实验,分别得到了0.8351、0.8639的F1分数和0.969、0.978的准确率。（2）提出了基于SERA-Net模型的DR五分类方法。首先使用SE-Res Ne Xt-50网络进行特征提取,接着将提取到的特征图作为Attention-Net的输入并生成注意力图;然后,将特征图和注意力图通过乘法操作进行融合得到掩膜,将注意力图和掩膜各自全局平均池化,并将两者的全局平均池化结果相除;最后,通过Softmax函数对相除的结果进行五分类。该模型通过SE-Net和Attention-Net的结合实现了通道注意力和空间注意力的相互促进,从而使网络的关注点更多集中在眼底图像的病变特征上。所得模型在Eye PACE数据集上进行实验测试,得到了0.7606的二次加权Kappa分数、0.5574的ACA和0.8719的平均AUC值。（3）为实现糖网病分类结果的可视化显示,搭建了基于Web的DR病变检测系统测试平台。该系统完成了:前端提交眼底图片、服务器端接收图片并调用模型进行检测、Web页面展示分类结果的闭环检测过程。测试结果表明,该系统在实际应用中能够直观的显示DR病变程度,有助于提升医生的诊断效率。