糖尿病视网膜病变是糖尿病最严重也最常见的并发症之一。目前专家诊断主要依赖于对视网膜图像上的病灶点进行分析进而给出诊断结果,但由于人工效率较低,而基于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。故本文基于计算机辅助诊断技术展开了对糖尿病视网膜病变的分类研究。针对视网膜图像分辨率较高,颜色干扰,病变样本数量太少等问题,本文采用了归一化和不同数据扩增的方式对图像进行预处理,以此去除图像中的冗余信息并扩充样本数量增强其多样性,达到提高模型泛化性的目的。在针对视网膜图像病灶点稀疏,类内差异大类间差异小的问题上,本文提出了一种基于新型像素级注意力机制的深度神经网络特征提取方法。通过将引入像素级注意力模块的主干网络作为视网膜图像特征提取器,来对图像上的每个像素点进行强弱处理,从而对重要细节特征赋予更多的关注。并通过特征融合形成互补的高层语义特征描述子,增加有效的信息表达,以此提高二分类模型的精度。在针对正常样本与异常样本之间具有一定的可区分性特征,而在病变样本中类别间差异性较小的问题上,本文提出了一个两级分类模型系统,第一级分类模型用于判断视网膜图像是否发生病变,在第二级分类模型中提出了一种多任务深度神经网络结构,用于学习不同类别间的特征依赖性,进一步提升多分类模型的性能。本文基于二分类任务的难点,首先提出了一种新型的像素级注意力机制,并在Eye PACS和Messidor数据集上与不同方法对比,能有较好的效果。其次,针对多分类任务的难点,提出了两级分类模型系统,并在Eye PACS和APTOS数据集上的实验结果表明所提方法可有效提升分类精度,对糖尿病视网膜病变的临床诊断具有很好的应用价值。