眼底图像辅助诊断是近年来迅速发展的一种直观、标准的诊断技术。在医院治疗或远程医疗中,专家根据眼底相机拍摄到的视网膜图像对患者进行糖尿病病变(Diabetic Retinopathy,DR)分析与治疗。然而,由于眼底图像采集人员经验不同导致获取到的图像良莠不齐,部分图像被诊断医生标记为不可读图像,严重影响眼科医生对眼底病变诊断的准确率;其次,大量的无病变眼底图像过多地占据眼科医生的诊断时间,延误眼底DR患者的及时治疗,以致造成不可逆的危害。因此,为了保证眼底图像质量的同时减少人工DR筛查的时间与工作量,在采集过程中自动且客观地对眼底图像进行质量分类并对眼底是否患有DR进行初步筛查是两项必要且紧迫的任务。针对眼底图像质量分类和眼底DR判别两项研究工作,本文基于深度学习,提出了一种改进的残差-密集模块卷积神经网络结构(Modified Residual Dense Block Convolution Neural Network,MRDB-CNN)。对于眼底图像质量分类研究问题,将质量优与质量劣两类眼底图像作为训练集与测试集对网络进行训练并验证分类效果,并通过质量不明确类别眼底图像进一步验证网络的分类性能;对于眼底DR判别研究问题,利用有DR眼底图像与无DR眼底图像进行模型训练,通过测试集准确率结果评定整体网络结构。两部分实验可以证明,MRDB-CNN网络结构在避免传统算法需要对图像进行复杂预处理的同时,对眼底图像质量分类与眼底DR判别的精度均高于其他网络结构。同样地,MRDB模块相较其他网络模块,可以获得更加详细的眼底质量或眼底DR的细节特征,能够得到具有较好泛化能力和较高精度的网络分类模型,两项研究的准确率分别达到了99.90%与94.90%,满足医院治疗和远程医疗中对眼底图像质量进行实时分类和初步筛查眼底DR的需求。