随着生活水平的提高,糖尿病已成为一种常见的高发性代谢类疾病,它会带来很多并发症。其中,由糖尿病导致的微血管并发症——糖尿病性视网膜病变,目前是世界上20至74岁成年人失明的主要原因之一。糖尿病性视网膜病变的主要症状表现为眼底视网膜出现微动脉瘤、出血、渗出、新生血管等病灶。出血作为糖尿病视网膜病变的早期症状之一,如果能够被及时发现,不仅可以有效的控制病情,还可以帮助糖尿病视网膜病变等级分类。然而,由于专业的眼科医生数量有限,需要筛查的人数较多,常常会导致病情被延误。因此,通过计算机辅助自动检测出血的研究十分有必要。目前有关出血检测的工作大都偏向于传统方法,这些方法繁琐且效果不佳。因此本文探索了基于卷积神经网络的出血检测方法,设计了两个网络模型,均提升了出血检测的性能。本文的主要研究内容和创新点如下:1、针对当前出血检测方法复杂,性能不佳的问题,本文提出了一种基于改进U-Net的多尺度门控网络（Multi-scale Gated Network,MGNet）来检测出血。首先,在跳层连接处加入门控模块帮助网络传递有用信息,抑制无用信息。然后,在解码阶段设计了高低分辨率多尺度融合模块以提取复杂背景中多目标、多尺度的高质量特征。最后,对Dice loss施以权重惩罚设计了W-Dice loss,提高网络对难分样本的关注度。在两个公共数据集DIARETDB1和IDRi D上的实验表明,本文所提多尺度门控网络的性能优于GANet、HEDNet+CGAN、Attention U-Net等目前一些先进方法。2、为进一步提高出血检测算法的精度,本文提出了一个注意力残差块-上下文编码网络。首先采用通道注意力残差块替换传统的卷积层,使模型在特征提取阶段重点关注出血病灶,提高特征提取的能力。其次,在编码阶段的最后一层引入了密集空洞卷积块和混合池化模块以进一步捕获高级的抽象特征和空间信息。然后使用双Dice loss对两个不同尺度的输出进行强监督,以获取更优的分割结果。最后,通过在公开的IDRi D数据集中的一系列实验验证了各模块的有效性,并且发现所提方法在AUPR（area under the Precision-Recall curve）指标上达到0.6023,优于MGNet。