糖尿病视网膜病变（Diabetic Retinopathy,DR）作为一种微血管病变,往往是由糖尿病引起的,在病变初期症状不明显,病情恶化迅速,轻则造成眼部视力下降,重则致盲,其临床表现集中在眼底血管病变。目前在临床上,专业眼科医生依靠自身经验,从眼底视网膜图像中找到潜在的患病区域,进行分析、筛查,由此可以对患者的病情进行评估、诊断。但是,一方面由于过度的依靠眼科医生的临床经验,诊断耗时较长,容易出现漏诊、错诊等情况;另一方面,一些地区受限于医疗条件,使得不少患者无法及时得到诊断和治疗,从而造成严重的后果。因此,在计算机辅助技术的作用下,通过传统的图像处理和卷积神经网络相关的方法,对眼底视网膜图像进行处理和分析,以此达到辅助临床治疗的作用。本文结合传统图像处理技术和卷积神经网络分别研究眼底视网膜血管分割及DR分类问题,具体研究内容如下:（1）为了使数据集中的图像能够适应所作任务,充分考虑到所使用的多个公开数据集和所要进行研究任务的特点,使用多种方式对数据集进行处理,包括通道选择、对比度调整、感兴趣区域提取、归一化和数据扩增等。其中数据扩增方式多样,如上下左右翻转、平移、旋转、平滑等。（2）为解决在视网膜血管分割任务中因眼底图像易受病灶影响、血管分割断断续续,无法精准的对细小血管进行分割的问题,给出了一种基于改进匹配滤波器和脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）的眼底血管分割方法。一方面通过利用Hessian来引导匹配滤波角度,并进行多尺度操作增强血管细节,另一方面利用形态学的方法降低病变的影响,最后将PCNN与区域生长思想相结合,实现视网膜血管的精准分割。在DRIVE和STARE数据集上准确度分别达到0.9462和9460,AUC分别达到0.9638和0.9605。（3）给出一种基于A-Inception-Resnet-v2模型的DR分类算法。该算法利用具有高深度、宽度的Inception结构加以残差结构来更快、有效的提取视网膜图像特征,注意力机制的引入使得网络在提取特征时可以更加关注病变特征。A-Inception-Resnet-v2分类模型在视网膜图像病变类别间差异小而导致无法细分的问题上给出了解决方案,这对于DR的分类问题产生了积极的影响。在Eye PACS数据集上分类准确度达92.6%,二次加权kappa值达80%。