摘要：视神经炎(optic neuritis)是一种眼部神经疾病,会造成儿童和成人的急性视神经损伤,严重时会有致盲的风险.因此,视神经炎早期发现和诊断,对患者的恢复有着巨大的帮助.基于视神经炎视网膜图像病变特征不明显,人工诊断分类困难且准确率不高等问题,本文设计了一种改进的混合注意力机制CS-CBAM模块,并将CS-CBAM模块融合到改进的AlexNet网络,形成一个具有更深层次的AlexNet2_att视神经炎分类模型,从而实现视神经炎图像的自动分类.首先,对数据集中的视网膜图像进行图像尺寸调整,去除图像冗余信息,直方图均衡化和数据增强等预处理操作;然后,在AlexNet网络的基础上,引入批归一化层以提高训练速度,之后,在改进后的AlexNet网络中融入我们所提出的混合注意力机制CS-CBAM,形成AlexNet2_att模型;最后,使用来自大连市第三人民医院的临床数据对本文模型进行性能评估,实验结果表明,该模型的分类准确率可达99.19%.实验结果证明本文模型具有良好的实用性和鲁棒性,有很高的实用价值,可以辅助医生进行视神经炎分类与诊断.