糖尿病性视网膜病变（DiabeticRetinopathy，DR）是糖尿病严重的并发症，是视力损害最常见的原因之一。糖尿病病情的不断发展，会对患者造成不同程度的视力减退。临床上，眼科医生通过观察眼底图像中潜在的病变区域（例如眼底出血、微动脉瘤、渗出物等），对DR进行详细的筛查和诊断，并针对患者病情给出相应的治疗措施。由于人工筛查存在主观性大、耗时长等问题，很多患者因此可能错过最佳治疗时间。因此，通过基于图像处理的辅助技术，对眼底图像进行精确分析，对眼底疾病的及时治疗具有十分重要的意义。特别是在进行大规模DR筛查中，应用计算机辅助诊断技术可以帮助眼科医生快速、有效地实现诊断。本文主要工作和成果如下：
　　（1）黄斑中央凹的定位。黄斑（Macular）和视盘（OpticDisc，OD）作为眼底图像的重要特征，在眼底图像处理和分析中起着至关重要的作用。考虑到糖尿病性黄斑水肿（DiabeticMacularEdema，DME）等级分析需要基于黄斑中心建立坐标系统，本文提出了一种基于距离回归的黄斑中心检测方法。为了避免样本不均衡问题，本文将黄斑定位问题重新定位为像素回归任务，并通过全卷积神经网络预测图像中每个像素点距离黄斑的位置。
　　（2）视盘的检测。在DR诊断系统中，视盘的定位和检测是进一步诊断的前提和关键步骤。为了避免视盘的存在对后续渗出检测产生干扰，本文改进了一种基于像素级分类的卷积神经网络—U-net网络，提出了基于深度学习的视盘自动分割方法。与U-net网络原型相比较，改进后的网络模型减少了卷积的深度，使网络结构在参数数量和训练时间两方面都变得更加轻量级。相比较于基于机器学习的视盘分割算法，该方法避免了人工设计特征等问题，得到了更高的分割准确率。
　　（3）硬性渗出的检测。硬性渗出（HardExudates，HE）是视力丧失的主要威胁之一，特别是当它们出现在黄斑中央凹上时对视力的影响更加明显。因此，眼底图像中HE的检测在DR的诊断和治疗进展中起着至关重要的作用。本文提出了一种基于生成对抗网络的硬性渗出自动检测方法，相比较一般的卷积神经网络，生成对抗网络由生成式模型G和判别式模型D组成，两者之间的博弈和竞争使得网络能够更加准确地检测硬性渗出。
　　（4）DME等级自动分析。首先，通过基于距离回归的黄斑定位方法得到黄斑中心，再依据黄斑中心位置建立眼底坐标系统。其次，在硬性渗出检测之前，通过改进卷积神经网络对OD进行分割并掩盖。然后，利用生成对抗网络实现HE的准确提取。最后，通过分析HE到黄斑中央凹的距离，实现视网膜图像DME等级自动分析。结果表明，本文的DME等级自动分析算法准确率较高，研究成果将为DR诊疗工作提供重要的技术支持，具有非常重要的临床参考和应用价值。