可预防或未被诊断的视觉障碍及失明影响着全球数十亿人群。自动化多疾病检测模型通过提供临床决策支持，在疾病诊断中展现出巨大潜力。本文提出了一种创新的视网膜成像多疾病检测流程，该流程采用集成学习方法，融合多种异构深度卷积神经网络模型的预测能力。该流程整合了多项前沿技术策略，包括迁移学习、类别加权、实时图像增强以及焦点损失（Focal Loss）的使用。此外，我们还引入了多种集成学习技术，如异构深度学习模型融合、基于五折交叉验证的自助法（bagging）以及堆叠逻辑回归模型。通过内部与外部评估，我们验证并展示了该流程具有高准确率与高可靠性，其性能可与当前最先进的视网膜疾病预测流程相媲美。