数字眼底图像被广泛应用于与眼部有关的多种疾病的检测。眼底影像的质量是眼科医师正确诊断本病的关键。但眼底图像通常会受到噪声的影响,并存在低对比度问题。这些问题给眼科医生在眼底图像中发现、解释疾病以及后期的病变检测中带来了困难。医学图像增强的主要目的是降低噪声水平,提高医学图像的对比度。眼底图像是一种重要的医学图像。论文围绕眼底图像增强及检测的主要技术难点进行以下研究:第一,针对眼底图像低对比度和噪声问题,采用了一种结合视觉校正和去噪卷积神经网络（Dn CNN）的眼底图像增强方法,在增强眼底图像的亮度的同时实现图像去噪。首先,进行图像分解,将输入的图像分为三层:基础层、细节层和噪声层,采用视觉适应模型来校正底层光照不均匀。其次,将调整后的基础层和细节层进行融合,并针对融合后的图像存在噪声较大的问题,采用改进的Dn CNN来对眼底图像去噪。该方法同时解决彩色眼底图像亮度矫正以及去噪问题,并通过峰值信噪比、结构相似度指数、对比度增强测度等性能参数来评价该方法的有效性。结果表明,该方法可以明显增强视网膜眼底图像,与其他眼底图像增强方法不同,该方法可以直接增强彩色图像。第二,针对眼底图像训练数据集少的问题,采用了无监督的主成分分析网络（PCANet）和有监督的支持向量机（SVM）结合的算法,通过对彩色眼底图像视网膜渗出物特征的提取,检测出含渗出的糖尿病视网膜病变眼底图像和正常眼底图像。在对眼底图像进行渗出物特征提取之前,为了减少对渗出物特征提取的干扰,首先对眼底图像进行图像预处理,包括去除冗余背景,通道分离,直方图均衡化,血管去除,视盘去除。无监督的PCANet不需要标签进行训练,与SVM结合,既节约了训练时间,又在训练数据集较小的情况下实现眼底图像的准确分类。实验结果表明,PCANet+SVM模型在准确性、灵敏度和特异值三方面与相关方法比较都具有一定的提升。从眼底图像的增强开始,进行亮度增强、去噪处理和检测分类。结果表明,论文的方法在各评估方面都具有优势,在未来的工作中,还将进行进一步研究和探讨。