糖尿病视网膜病变（Diabetic Retinopathy,DR）是糖尿病引起的眼科疾病,是导致失明的主要原因。DR的早期诊断在防止视力下降和失明方面发挥着主要的作用。使用高效、准确的自动化筛查技术辅助医生进行DR诊断十分必要。目前,深度学习方法被广泛应用于DR分类领域,并取得了不错的效果。基于深度学习的DR分级问题分为二分类和五分类两种。目前研究主要集中在五分类方向,根据国际标准将DR病变划分为五个严重程度。DR病变的发展本身是一个连续的过程,传统的分类网络没有考虑到各病变等级的连续性,这无疑会丢失一部分信息。因此许多研究者希望利用DR问题病情连续性信息提高分类效果,这些工作主要分为两个方向。一方面,有些工作在分类模型的基础上模糊标签或者增加基于不同错误预测情况的惩罚。这些做法取得了一定的效果,但是网络模型始终对每个样本单独计算损失,不能显式地从样本之间的相互关系学习到类别之间的内在联系。另一方面,有人将DR分级完全看作回归问题,使用回归模型而不是分类模型进行预测。这种方法虽然存在对病变连续性信息的建模,但是数据集提供的类别信息不足以支持纯回归模型取得特别好的效果。为了在充分利用数据集分类标签的基础上,显式地对病变连续性属性建模,发挥两方面工作的各自优势,针对其存在的问题,本文设计了RL-Res Net网络,同时计算样本的分类预测和回归预测;并设计了损失函数Re PLoss来显式地利用回归预测对病变连续性属性建模。具体工作如下:1.为了结合分类模型和回归模型各自的优点,本文在Res Net50网络的基础上设计了RL-Res Net。RL-Res Net网络的分类器在五个维度的基础上增加了一个维度,使用原来的五个维度用来计算样本的分类预测,并利用分类预测计算交叉熵损失。增加的维度利用回归学习的思想计算样本的回归预测。为了利用回归预测值训练网络对病变等级之间连续性的学习,我们设计了相对位置损失函数Re PLoss。Re PLoss先计算两个样本之间的预测距离和标签距离,再计算这两个距离的差作为损失项来约束网络对样本分布的学习。最后将交叉熵损失和Re PLoss相加作为网络整体的损失函数,对网络进行训练。2.在Kaggle的EYEPACS眼底图像数据集上进行实验,并与近年效果较好的几种模型进行对比。我们的方法在使用训练数据较少的情况下,取得了60.27%的ACA和78.69%的quad-Kappa。并且对于五个类别的分类性能比较均衡,取得的精准率、召回率和F1-score成绩对比骨干网络均有所提升。尤其在比较难分类的DR1和DR2样本中也有一定的优势。在分类错误的情况中,RL-Res Net的错误更加轻微,预测结果整体分布更接近标签的分布。另外,本文设计的结构参数量少、结构简单,可以方便地与其他DR分级模型进行结合。