近年来,糖尿病发病率呈现增长趋势,糖尿病视网膜病变作为糖尿病的严重并发症受到了诸多关注。人体视网膜血管众多,微血管自身的变化,对于糖尿病的病程、严重程度及术后恢复情况都密切相关联。目前患者是否患有糖尿病视网膜病变,必须通过专业眼科医师进行人工检查。大量的眼底图像,任务重、强度大、主观性大,对诊断带来一定的问题,加上高昂检查费的压力,使得患者不能得到及时的治疗。因此采用计算机基于图像识别的辅助检测技术得到迅速的发展。基于图像识别的自动检测技术,在医生诊断病情的应用领域是研究的热点。但眼底图像特征自动识别存在图像质量与内容的干扰因素较多,始终是难点。本文针对这一问题,基于一种机器学习的数字图像识别与检测的方法,开展论文研究工作。本文研究工作与贡献:第一:基于数字图像处理技术进行图像预处理,分别进行了颜色空间转换、图像去噪以及图像增强工作,消除了图像存在的光照不均、低对比度等问题,提高了图像整体的质量。由于视盘的某些视觉特征和硬性渗出很相似,为消除眼底图像中视盘对渗出物的干扰,采用一维最大熵分割算法对视盘进行有效定位与分割。第二:基于上述预处理图像,为正确区分渗出区域和正常区域的图像像素点,参照临床医生对病变特征的描述,抽取出亮度、颜色、边界长度等显著性特征,使用均值、标准差等数理统计指标对它们进行统计。并通过聚类算法构造出聚类簇平均亮度等新的特征。第三:基于贝叶斯定理和特征条件独立假设的朴素贝叶斯算法,以及特征空间定义的间隔最大的线性分类器支持向量机算法,对硬性渗出物进行识别。在Jupyter notebook开发环境中,基于diaretdb1数据库,先采用朴素贝叶斯算法进行训练,并运用后向包裹式特征选择方法进行特征选择。将特征选择后的特征子集作为支持向量机算法的初始化特征空间进行训练,逐步添加特征,得到十个特征作为此时最佳特征子集。通过对上述两种算法的性能进行比较,发现支持向量机具有更好的效果与鲁棒性。