随着生活条件的日益变好,糖尿病对许多人造成了非常严重的危害。由糖尿病引起的一系列视网膜病变,一般称之为糖尿病视网膜病变,简称为糖网病,在严重的情况下都会导致完全失明。目前的重要成像方法包括两种,光学相干层析成像技术与眼底的图像可视化,光学相干层析成像技术的图像一般称为oct图像。两种图像存在一定差异,眼底图像的通常问题在于主观局限性以及专家对疾病的严重程度的不同意见。而oct图像特征较为明显,特别是在发病早期,技术特性决定了其较高的灵敏度,医生容易做出判断。但在实际中,oct图像的数量是大量的,医生需要翻阅这些图像做出判断,既耗费医生精力,又耽误了病人的治疗时间,因此使用机器对图像做出自动化判断是非常必要的。这样能在早期通过图像的检测,发现病人的眼球的病变,及时的治疗防止病人的病请恶化与节省治疗费用。首先,基于VGG网络模型构建的方法,参考了KAGGLE竞赛的模型结构,建立了基本的分类网络。该网络层数较深,与VGG网络类似,使用了多个卷积层后面接池化层堆砌的结构。同时使用了特殊的卷积核,用于解决医学图像输入尺寸较大,包含信息量较多的问题。模型不复杂,但非常有效。其次,引入了多尺度特征学习的边缘分割检测网络(HED)算法思想,HED算法在自然图像分割上有非常好的效果,它使用了一种多层融合的结构,能将神经网络采样过程中,中间可能损失的采样特征在最后融合。本文将这种结构引入到基本的网络结构中,提出了多层级联融合分类网络。模型建立过程中,为了解决特征图归一化的问题,引入了空间金字塔池化结构。该网络能有效的采集医学图像的信息,提高oct图像结果识别的准确率。最后,将搭建好的网络在oct数据集上进行试验。将本文构建的网络模型与经典网络模型的性能能通过多种评价标准进行对比,证明了多种级联融合的结构在oct图像上的表现要优于经典网络。验证了使用多层级联融合网络结构对糖网病检测的可行性。