糖尿病性视网膜病变(Diabetic Retinopathy,DR)是主要的致盲眼病之一,微动脉瘤(Micro-aneurysm,MA)是其最早可检测的微小异常。目前对于微动脉瘤的诊断主要依赖于专业眼科医生对眼底视网膜图像的筛查,这不仅对医生的专业技能要求较高,诊断过程耗时耗力,而且随着DR患者数量的急遽上升,医疗资源越发匮乏。近年来,结合人类视觉注意力理论在图像处理方面取得了较好的成果,为解决人工筛查效率低等问题提供了很好的思路。因此,本文围绕眼底图像中微小目标的自动化检测问题开展了一系列的研究与实现,包括基于多层注意力机制的目标检测算法及基于形态学的目标置信度判别方法等,主要工作如下:(1)面向眼底图像质量均衡化方法的研究与实现。针对眼底图像质量不均及数量过少等问题,通过颜色空间及直方图图像增强理论,结合阈值分割算法和滑动窗口法,实现了眼底图像质量的均衡化,解决了小目标特征不明显和数据量不足等问题,并在多种目标检测模型上通过实验验证该处理方法有效可行。(2)基于多层注意力机制的目标检测算法的研究与实现。对于大多数目标检测算法在预测阶段只采用了顶层特征,而小目标特征不显著等问题,构建了一种注意力感受野的特征自选择方法,选用小目标特征较为明显的特征层,然后基于注意力机制融合多层特征同时更多的关注对任务有用的信息,实现了微动脉瘤的初步检测,并在小目标的检测性能上取得提升。(3)基于形态学目标置信度判别方法的研究与实现。根据形态学分析微动脉瘤与血管之间的位置关系,利用U-net模型对眼底图像进行血管的精确分割,通过血管分割图以及候选目标的位置坐标计算出两者之间的距离。根据该距离关系对初步检测结果进行置信度评分并通过投票筛选出假阳性候选目标,完成微动脉瘤的二次筛选,能在保证精确度的同时检测出更多微动脉瘤。