針對(duì)傳統(tǒng)的視網(wǎng)膜圖像處理步驟復(fù)雜、泛化性差、缺少完整的自動(dòng)識(shí)別系統(tǒng)等問(wèn)題，提出了一套完整的基于深度神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜圖像自動(dòng)識(shí)別系統(tǒng)。首先，對(duì)圖像進(jìn)行去噪、歸一化、數(shù)據(jù)擴(kuò)增等預(yù)處理；然后，設(shè)計(jì)了緊湊的神經(jīng)網(wǎng)絡(luò)模型-CompactNet，CompactNet繼承了AlexNet的淺層結(jié)構(gòu)參數(shù)，深層網(wǎng)絡(luò)參數(shù)則根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行自適應(yīng)調(diào)整；最后，針對(duì)不同的訓(xùn)練方法和不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了性能測(cè)試。實(shí)驗(yàn)結(jié)果表明，CompactNet網(wǎng)絡(luò)的微調(diào)方法要優(yōu)于傳統(tǒng)的網(wǎng)絡(luò)訓(xùn)練方法，其分類指標(biāo)可以達(dá)到0. 87，與傳統(tǒng)直接訓(xùn)練相比高出0.27；對(duì)于LeNet，AlexNet和CompactNet三種網(wǎng)絡(luò)模型，CompactNet網(wǎng)絡(luò)模型的分類準(zhǔn)確率最高；并且通過(guò)實(shí)驗(yàn)證實(shí)了數(shù)據(jù)擴(kuò)增等預(yù)處理方法的必要性。