随着计算机技术的发展,数字视网膜图像处理与分析技术也日渐成熟。糖尿病性视网膜病变是一种严重的糖尿病并发症,是导致新发失明的主要原因。目前,在糖尿病的诊疗过程中面临的重大难题是如何安全高效地进行数字视网膜图像筛查,及时地识别糖尿病性视网膜病变以便尽早地采取相应措施避免失明。本文主要针对糖尿病性视网膜病变中最早出现的微动脉瘤病征进行研究,提出了一种基于核主成分分析(KPCA)和支持向量机(SVM)的微动脉瘤检测算法。根据微动脉瘤的检测原理可知,视网膜微动脉瘤的检测过程主要分为三大部分：微动脉瘤的候选集获取、微动脉瘤特征抽取以及微动脉瘤特征分类。本文基于图像预处理技术和微动脉瘤的粗提取理论获取了视网膜微动脉瘤候选集,并深入研究了视网膜微动脉瘤的特征抽取算法和特征分类算法。本文首先研究了基于PCA的微动脉瘤特征抽取算法,该算法的实质是通过线性映射将微动脉瘤的特征样本从高维的特征空间变换到较低维的特征子空间的过程。然而,由于PCA算法本身的局限性,在进行变换的过程中忽略了高阶特征指标之间的相互关系,使降维后的主成分并不能很好地表达原来的高维特征指标所携带的信息。为解决该不足,本文提出了基于KPCA的微动脉瘤特征抽取算法,该算法首先通过核函数将高维特征向量映射到核空间,然后再在核空间上进行PCA处理,以实现高效地特征抽取。另外,本文在主成分分析的基础上借助于截断误差法设计相应的分类器,实现了对低维微动脉瘤候选集的分类。实验证明,虽然两种算法均能达到特征抽取的目的,但是基于KPCA的特征抽取算法更能有效地降低特征维数,提高微动脉瘤的检测真阳性率。其次,本文设计使用基于SVM的特征分类算法对特征抽取后的低维微动脉瘤候选集进行分类。针对传统算法中单纯采用各个特征量区间约束策略时忽视各个特征量的约束力大小的弊端,本文采用了基于统计学理论基础的SVM分类算法,算法中关于核函数参数与惩罚因子的确定,本文采用粒子群优化算法选取最优的参数值。实验证明,基于SVM特征分类算法能够有效的降低微动脉瘤的检测假阳性率。实验结果显示,综合使用KPCA和SVM算法能有效提高微动脉瘤检测算法的检测精度。