目的：糖尿病视网膜病变（Diabetic Retinopathy, DR）是一种长期患糖尿病人群常见的视网膜病变，是全球范围内导致视力损伤的主要原因之一。目前，该疾病的诊断依赖于眼科医生对眼底彩色照相图像进行人工分析，耗时且劳动强度大。计算机辅助诊断系统可通过自动识别眼底图像中的糖尿病视网膜病变征象，显著减轻医生的工作负担，节省临床时间并降低诊疗成本。本研究旨在开发一种基于深度学习的算法，用于自动检测眼底图像中的糖尿病视网膜病变。研究采用9个公开数据集，涵盖超过9万张眼底图像，全面评估所提出方法的性能。此外，还构建了一种可解释性算法，以可视化方式呈现深度学习模型所识别出的糖尿病视网膜病变特征。方法：所提出的深度学习算法采用预训练的深度卷积神经网络进行微调，以实现糖尿病视网膜病变的检测。模型在EyePACS数据集的一个子集上进行训练，采用带有预热（warm-up）机制的余弦退火（cosine annealing）学习率衰减策略，从而提升训练过程的收敛精度与稳定性。在上述9个公开数据集上进行了系统性测试。同时，基于梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）技术，开发了一种可解释性算法，用于直观展示模型在分类过程中重点关注的视网膜区域和病变特征。结果：所提出的网络在EyePACS数据集上取得了优异的分类性能，AUC达到0.986，敏感性（sensitivity）为0.958，特异性（specificity）为0.971。在其他多个数据集上表现同样出色：MESSIDOR、MESSIDOR-2、DIARETDB0、DIARETDB1、STARE、IDRID、E-ophtha和UoA-DR的AUC分别为0.963、0.979、0.986、0.988、0.964、0.957、0.984和0.990。结论：实验结果表明，该方法达到了当前最先进的性能水平，优于以往仅依赖公开数据集训练的同类研究。所提出的方法能够稳健地对眼底图像进行分类，并准确识别糖尿病视网膜病变。同时，开发的可解释性模型有效揭示了模型在诊断过程中所关注的关键病变区域，验证了其对多种糖尿病视网膜病变征象的识别能力，为临床应用提供了可信的决策支持。