近年来,许多学者发现卷积神经网络在医疗领域的许多方面都取得了不错的成果。针对我国糖尿病患者群体多,糖尿病视网膜病变（Diabetic Retinopathy,DR）发病率日渐上升的问题,本文发现借助卷积神经网络模型解决DR眼底图像的诊断与分类问题,可以帮助医生进行快速精准的诊断,有利于减缓患病人数的增长。本文基于传统模型,采用迁移学习方法获取初始权重参数,对基准模型进行了改进,并对其中的核心算法进行了优化,设计并提出了一种称作Inception ADL的卷积神经网络模型,研究将此模型应用于DR眼底图像的自动诊断和分类,并通过实验证明了其性能表现。主要工作如下:针对糖尿病视网膜图像自动诊断困难、分类准确率不高的问题,提出了一种新的解决方案——基于卷积神经网络的糖尿病视网膜病变分类模型Inception ADL。本文使用Kaggle竞赛的公开数据集Eye PACS作为原始数据集,采用多种数据预处理方法对视网膜图像进行处理,包括二值法剪除图像黑色背景信息、归一化处理使图像光线分布均匀、高斯滤波抑制图像噪声、CLAHE增强图像对比度。并选取几种数据增强手段扩充数据集,解决了图像类别数量不平衡的问题。接着使用Inception V3网络模型作为基准模型,利用迁移学习技术获得初始化权重。由于基准模型的卷积层提取不到多样化的特征,且网络参数量大。为此本文引入空洞卷积代替原始的普通卷积以增大网络感受野;同时增加全连接层和Dropout层以加快网络收敛速度;在全连接层后使用Leaky Re LU函数,以便提取更多的有效信息。这些改进措施都有助于提高糖尿病视网膜病变分类模型的性能。将预处理后的图像输入网络模型中,在训练过程中采用了多种优化模型训练的技术,加快网络训练速度。之后设计两组实验进行对比分析,结果证明本文提出的Inception ADL网络模型与传统网络模型相比,得到了更好的分类效果。通过本文的研究可以实现对糖尿病视网膜病变图像的精准分类,解决了自动诊断困难、分类准确率不高等问题。