近年来,人工智能技术得到了社会各界的广泛关注,深度学习日渐成为人工智能领域的主流学习算法。人工智能医疗是人工智能和医疗技术的结合,通过一定的计算机技术为疾病的诊断提供依据,在如今的信息化社会更有用武之地。视网膜眼底图像携带很多疾病的信息,传统的视网膜图像处理方式主要是分阶段处理,受制于医生经验,耗时耗力,效率不高。因此如何设计—套更为智能的视网膜图像分析系统是当前更迫切的需求。本文提出了一套完整的基于深度神经网络的糖尿病性视网膜图像分类系统,根据视网膜数据集的特殊性提出了一系列图像预处理方式,设计了紧凑的神经网络模型——CompactNet,CompactNet继承了 AlexNet的浅层结构参数,深层网络参数则根据训练数据进行自适应调整。最后针对不同的训练方法和不同的网络结构进行了性能测试,实验结果表明,CompactNet网络的微调方法要优于传统的网络训练方法,其分类指标可以达到0.87,与传统直接训练相比高出0.27;对于LeNet,AlexNet和CompactNet三种网络模型,CompactNet网络模型的分类准确率最高;并且通过实验证实了数据扩增等预处理方法的必要性。对视网膜血管的分割一直是分析视网膜图像的主要方法,传统的血管分割方法受到视网膜图像特殊性的限制,泛化性较差。本文采用深度学习的方法对视网膜眼底图像实现血管点对点分割,输入图像经过少量的图像预处理之后直接作为训练样本训练网络,输出结果经过后处理合成即可得血管分割二值图,RetinalSegNet全卷积网络结构对输入图像无限制,可接受任意尺寸的待处理图像。实验结果表明,该方法的分割结果具有较好的连续性,泛化性能好,能够适用于不同情况的视网膜图像。