近年来,糖尿病患者逐渐增多,糖尿病视网膜病变作为糖尿病常见的并发症之一,也在逐渐增多。然而采用人工诊断可能会由于眼底病变较轻、患者数量太多和医生经验不足等原因出现误诊或漏诊,使患者不能得到及时治疗,甚至导致失明。因此,本文针对糖尿病视网膜图像搭建对其进行分类和病变区域检测的网络模型,辅助医生进行诊断,主要研究内容如下:针对后续糖尿病视网膜图像分类和病变区域检测的数据集模糊、特征不显著和对比度不强等图像增强问题,设计基于分数阶微分的眼底图像自适应增强算法。设计在各方向上值互异的以及中心系数随微分阶次变化的分数阶微分新掩模算子,再结合改进的Otsu算法确定最优梯度阈值T,构建分数阶微积分自适应函数,最后通过与已有的算法进行视觉和参数对比评估,验证本文算法的有效性与优越性。针对糖尿病视网膜病变分类问题,设计基于深度学习的分类网络模型对眼底图像进行病变分类。在结合残差网络(Res Net)和Inception块的InceptionResnet-v2网络模型基础上进行改进,设计新DSInception-Resnet模型,并采用Kaggle数据集对其进行训练及测试。最后与Res Net和Inception-Resnet-v2模型通过加权Kappa值进行对比分析,结果表明所设计的DSInception-Resnet模型能对眼底图像病变程度进行较好的分类。针对糖尿病视网膜图像病变分类后不能对图像具体病变特征,如微动脉瘤、硬渗出物、软渗出物和眼底出血等的关键位置进行检测的问题,设计基于深度学习的病灶分割模型,实现对眼底图像的病变区域检测。在U-net模型基础上,结合Res Net能在增加网络深度的同时避免梯度逐渐消失的优点,设计Res U-net模型,并采用DIARETDB1数据集对其进行训练和测试。最后与Unet模型和已有算法进行参数对比分析,结果表明所设计的Res U-net模型能够对病灶进行较好的分割,且具有普遍适用性。