为解决基于卷积神经网络(CNN)的糖尿病视网膜病变(DR)图像分类算法上普遍存在模型参数难以训练、易过拟　合的问题,本文提出一种基于迁移学习和支持向量机(SVM)分类器的D　R图像分类算法.首先,对　D　R图像进行预处理　和数据扩增;其次,采用迁移学习方法预初始化深度学习分类算法中的经典框架VGGNet-16网络的模型参数,固定浅层　网络参数不变,微调深层网络参数;最后,提取VGGNet-16最后一个隐藏层的特征向量训练支持向量机(SVM)分类器判　定　DR图像是否病变.实验结果表明,在　Kaggle-DR公共数据集共35126张D　R图像进行实验,在随机抽取的3500张　作为测试集,分类准确率为0.931、敏感性为0.933、特异性为0.928,并能加快网络收敛和提高模型的泛化性.