【摘要】目的 利用深度学习方法自动提取眼底白内障特征, 构建白内障自动分类器, 并可视化分析深度网络中间层特征的逐层变换过程.方法 基于临床眼底图像, 使用深度卷积神经网络 (CNN) 从输入数据的原始表示直接学习有用的特征, 对比分析CNN自动提取的特征与预定义特征的性能表现.然后利用反卷积神经网络 (DN) 量化分析CNN各个中间层的特征, 进一步研究输入图像中对CNN的预测贡献最大的像素集, 探究CNN表征白内障的具体过程.结果 使用深度学习方法构建的分类器在四分类任务中达到0.818 6的平均准确率.与现有的预定义特征集相比, 利用深度CNN自动提取的特征集能提供更好的白内障特征表示.CNN中间层特征呈现从低级抽象到高级抽象的分层变换, 如梯度变化到边缘, 然后到边缘状发散结构的组合, 最后到血管和视神经盘信息的高级抽象, 这种变换过程与临床检测白内障的诊断标准相吻合.结论 基于深度学习的分类器在性能表现上优于现有分类器.该方法对检测其他眼病也可能具有潜在的应用前景.