目的 探索基于深度學習方法自動分割彩色眼底圖像上糖尿病患者視網膜滲出特征的可行性。方法 應用研究。基于印度糖尿病視網膜病變圖像數據集（IDRID）模型的U型網絡，將深度殘差卷積引入到編碼和解碼階段，使其能夠有效提取滲出深度特征，解決過擬合和特征干擾問題，同時提升模型的特征表達能力和輕量化性能。此外，通過引入改進的上下文提取模塊，使模型能捕捉更廣泛的特征信息，增強對視網膜病灶的感知能力，尤其是提升捕捉微小細節和模糊邊緣的能力。最后，引入卷積三重注意力機制，使模型能自動學習特征權重，關注重要特征，并從多個尺度提取有益信息。通過查準率、查全率、Dice系數、準確率和靈敏度來評估模型對彩色眼底圖像上糖尿病患者自動視網膜滲出特征的檢測與分割能力。結果應用本文研究方法后，改進模型在IDRID數據集上的查準率、查全率、相似系數、準確率、靈敏度、分別達到81.56%、99.54%、69.32%、65.36%、78.33%。與原始模型相比，改進模型的查準率和Dice系數分別提升了2.35%和3.35%。結論基于U型網絡的分割方法能自動檢測并分割出糖尿病患者眼底圖像的視網膜滲出特征，對于輔助醫生更準確地診斷疾病情況具有重要意義。