随着社会生活水平的提高和人们生活方式的改变,糖尿病的发病率逐年增加。糖尿病视网膜病变(Diabetic Retinopathy,DR)作为糖尿病并发症的一种典型病变,会对患者的视力造成严重的影响,甚至导致失明,其患者人数也随糖尿病发病率的增高而越来越多。目前诊断DR主要是通过医生观察眼底图像中相应的病灶点特征,然而面对数量庞大的眼底图像,这不仅费时费力而且诊断结果容易受到医生主观因素(经验、疲劳、情绪等)的影响。因此本文结合近年来快速发展的深度学习技术对DR的自动诊断方法进行了研究,对于辅助医生诊断,提高诊断准确率和效率具有重要的意义。本文的主要工作如下:首先,研究了一种基于深度学习的图像标注模型,对DR眼底图像生成用于描述图像中病灶点的自然语句。为应对医疗图像数据不足的问题,模型采用迁移学习将在ImageNet数据集上预训练过的Inception-V3网络作为模型的图像特征提取器;为了充分提取输入图像的特征,将输入图像处理成7张子图像,包括6张用于提取局部特征的子图像和一张用于提取全局特征的子图像;7张子图像分别送入Inception-V3网络提取特征,再融合所有的特征得到表示图像的特征向量;为了得到最后的文字描述,使用长短记忆网络(Long Short-Term Memory,LSTM)对特征向量进行特征解码;使用关键词搜索对诊断结果进行评价,其效果优于直接使用卷积神经网络(Convolution Neural Network,CNN)进行多标签分类。其次,研究了一种基于生成对抗网络的眼底图像生成方法。该方法以眼底图像的血管脉络和病灶点的文字描述作为生成的约束条件。对输入的文字使用LSTM网络编码,使之与经过CNN编码的相应图像匹配;对输入的血管脉络图使用的CNN进行卷积操作,得到不同尺度的特征图;将得到的特征图与编码后的文字信息融合,并结合反卷积操作逐步生成与输入血管脉络图尺寸相同的眼底图像;对生成的眼底图像使用判别网络输出判别结果,依据判别结果通过反向传播算法更新网络参数,使网络生成的图像逐步逼近真实眼底图像。实验结果表明,该算法可以生成逼真的眼底图像。最后,研究了一种基于损失加权的DR眼底图像病灶点的自动检测算法。该算法基于生成对抗网络,可以同时检测DR早期的4种病灶点——微动脉瘤、出血点、硬渗出物和软渗出物。对输入的眼底图像,网络将输出4张检测结果图。为了使4种形态各异的病灶点能够同时呈现较好的效果,算法对损失函数进行了改进,对不同病灶点的病灶点区域使用不同的权值加权,使不同面积的病灶点对网络参数的更新起相同的作用。最终的实验结果表明,使用加权的损失函数更新模型参数可以使模型对病灶点的检测更为准确。