白内障是由晶状体中的蛋白质堆积引起的,导致失明的最严重的眼病之一。早期发现和治疗可以减轻患者的痛苦,防止视力障碍变成失明。在医学领域中,眼科专家的专业知识对于临床白内障的检测是必要的,因为潜在的成本,可能会导致白内障早期干预的困难。基于医学影像的人工智能辅助诊断技术越来越受到研究人员的关注,目前许多研究都集中在使用人工提取预先定义的特征集进行白内障分类,但是这种预定义的特征集可能是非典型的,不完整的,或冗余的。本文对深度学习在白内障自动分类任务中的应用进行了研究,提出了一种新的基于混合特征提取模型的白内障自动分类方法。本文主要贡献如下:(1)使用深度卷积神经网络(CNN)自动提取完整眼底图像的特征集,构建基于全局特征的白内障自动分类模型。经实验验证,与预定义特征集相比,利用CNN网络模型自动提取的特征集能提供更好的白内障特征表示。(2)定义了一种方法对CNN分类模型自动提取的眼底图像的全局特征进行量化分析。使用反卷积神经网络(DN)方法可视化CNN全局网络模型的各层特征,揭示了模型中任意层的最高激活的特征图与输入之间的响应关系,并观察到了特征从低级到高级抽象的分层变换过程。通过分析得出,单独依靠眼底图像的全局特征集不是识别白内障严重程度的最佳选择。(3)构建基于局部特征的白内障分类模型。为了克服基于全局特征的CNN分类模型的弊端,我们提出了一种通过构建变体数据集的方法,建立基于局部特征的CNN分类模型,提取眼底图像中的局部细节特征,突出了血管的脉络结构和二三级血管的细节信息。(4)基于集成学习,将基于全局和局部特征的网络模型进行集成,设计了一种基于全局-局部混合特征提取模型的白内障自动分类器。本文中所使用的实验数据是真实的临床眼底图像集,且经交叉实验验证,本文提出的方法的在白内障自动分类任务中取得了86.24%的准确率,优于现有的方法。