糖尿病视网膜病变（DR）是一种常见的、长期的并发症,如果不能得到正确的诊断和处理,会造成很大的视觉损害。由于该病症的多样性和复杂性,人工DR检测费时费力,具有很大的不确定性。针对上述问题,本文采取深度学习的方法,智能针对DR图像进行特征提取识别并分类,完成对DR的分级检测,增强诊断准确性,提高效率。本文的主要工作内容包括:首先选取开源的Kaggle数据集,针对数据集图像品质差异大,不同类型的样本量不均衡等问题,对数据集进行标准化、归一化、Gamma调整、CLAHE直方图均衡化、以及数据增强等处理。获得图像质量符合要求,样本数据均衡的新数据集,为以后的模型训练作充足的铺垫。其次分别从卷积神经网络和Transformer模型两方面对数据集进行训练,并通过准确率、精准率、敏感度、特异度等评价标准对实验结果进行对比分析。卷积神经网络方面,采用AlexNet、MobileNet、ShuffuleNet网络模型及其变体进行对比实验并分析。以模型准确率降序排列为 MobileNetv3、ShuffuleNet、MobileNetv2、AlexNetvl、AlexNetv2,其中综合效果最优的MobileNetv3模型准确率达到了 87.54%。在Transformer模型方面,采用Vision Transormer模型和Swin Transformer模型分别对是否使用迁移学习进行了对比实验,并与卷积神经网络的实验结果进行了对比分析。得出最佳模型为使用迁移学习的Swin Transformer模型,准确率达到了 89.54%。该结果说明了 Transformer模型在糖尿病视网膜病变检测领域的识别效果优于卷积神经网络以及迁移学习对Transformer结构模型的重要性。另外,本文通过混淆矩阵对各网络的分类效果展开了可视化分析,发现本实验中模型对于类别0的样本分类效果最好,而对于类别1与类别2都出现了不同程度的错分。其原因是因为区别类别1和类别2的关键点“出血点”和“微动脉瘤”特征过于相似。导致模型不能很好地进行区分。最后采用最优模型Swin Transformer作为主体框架,使用TensorFlow Lite框架及Android Studio平台设计了一款糖尿病视网膜病变自动检测APP。该APP可实时进行诊断并得出结果,在一定程度上缓解了医疗资源紧张的问题。