近年来,卷积神经网络的方法在医疗行业取得了快速的发展,解决了越来越多的医学上棘手的问题。卷积神经网络(Convolutional Neural Networks,简称CNN)与现代医疗设备相结合,通过一系列的卷积神经网络技术,为疾病的诊断提供了可靠的判断依据,这已经成为日后医疗的发展趋势。糖尿病视网膜的诊断,之前大多依靠医生经验,且眼科医生数量远远达不到需求。医疗条件的匮乏,导致患者的疾病无法得到及时诊断和治疗,甚至会导致不可逆转的失明。因此,使用卷积神经网络进行自动化的图像分类分级,对于糖尿病视网膜病变的防治有重要的作用。本文以获得更好的糖尿病视网膜检测效果为研究目的,集成改进的VGG网络结构和设计卷积神经网络结构XNet,并架构了一套B/S结构的糖尿病视网膜图像检测系统。本文主要研究如下:(1)阐述了糖尿病视网膜检测所需要的理论知识,包括卷积神经网络以及经典网络模型,监督学习算法如迁移学习、集成学习,系统设计的相关知识如深度学习框架TensorFlow、前端框架Boostrap、后端框架ThinkPHP。针对判断糖尿病视网膜是否发生病变的基本需求,使用国外Kaggle 比赛提供的视网膜图像数据集,设计了一种基于Bagging集成学习的视网膜图像二分类算法。这种算法集成了两种改进的VGG卷积神经网络,添加Leaky-ReLU作为激活函数与Dropout正则化,整体网络结构适中,且可以使用GPU加速,使用投票法计算得出最终的分类结果。最后,针对集成前后的算法进行了不同迭代次数时准确率的比较。实验结果表明,集成两种网络后可以改善分类的准确率,精度达到82%,最高提高了 2%。(2)针对检测糖尿病视网膜病变程度的需求,使用海南省眼科医院提供的视网膜数据集,创建了一种新的深度卷积神经网络结构(XNet),可用于按病变程度将视网膜图像四分类,其结构复杂度适中,对于计算机硬件的要求低,网络参数根据训练样本进行适应性调整,对数据集图像进行数据清洗、归一化、数据扩增等预处理之后,保留一部分数据做验证集,使用ReLU作为激活函数,L1、L2正则化用于减少过拟合,与经典的卷积神经网络LeNet和Inception-V3网络结构的准确率和迭代次数进行比较。实验结果表明,XNet网络的结构要优于LeNet和Inception-V3,准确率可以达到91%。针对辅助医生诊断糖尿病视网膜病变程度的需求,使用XNet网络作为基础完成了一个全自动糖尿病视网膜检测的系统,采用B/S结构进行网站架构,结合前端Boostrap框架与后端ThinkPHP框架,将整个系统分为登录注册模块、图像上传模块、图像检测模块、历史记录模块这几个模型进行设计,实现基于卷积神经网络的糖尿病视网膜检测系统的可视化网站界面设计。