1.一种基于残差密集模块网络结构的眼底图像质量自动分类方法，包括下列步骤：

步骤1：收集眼底图像作为样本数据；

步骤2：利用感兴趣区域算法对眼底样本数据进行预处理；

步骤3：将眼底图像归一化为224×224的相同尺寸，作为后续网络训练与测试数据；

步骤4：选定用于网络训练的眼底图像样本，设置损失函数理想值，构造残差密集模块网络结构MRDB-CNN训练网络，通过引入浅层特征提取模块、残差密集模块、残差模块来组成残差密集模块网络结构MRDB-CNN，将质量好与质量差两类眼底图像输入网络中，训练时通过计算损失函数来调整网络参数，得到网络训练模型；

步骤5：选定用于网络测试的眼底图像样本，利用训练好的网络模型对质量好与质量差眼底图像进行质量分类测试，通过进一步检测模型对质量不明确类别中每幅图像的分类效果，综合评定网络结构对眼底图像的质量分类性能，调整网络参数，得到最优的网络模型；

步骤6：利用最优的网络模型对眼底图像进行质量分类。

2.根据权利要求1所述一种基于残差密集模块网络结构的眼底图像质量自动分类方法，其特征在于，步骤1中，为全面分类包括无病变与有病变的不同种类的眼底图像质量，首先收集不同眼底相机采集到的质量好、质量差与质量不明确三个类别的眼底图像，将公开数据集的眼底图像与现场采集的眼底图像作为样本数据，对每幅图像进行质量标注，作为网络的训练样本与测试样本。

3.根据权利要求1所述一种基于残差密集模块网络结构的眼底图像质量自动分类方法，其特征在于，步骤2中，去除眼底图像中大面积黑色边缘，仅保留视网膜结构区域。

4.根据权利要求1所述一种基于残差密集模块网络结构的眼底图像质量自动分类方法，其特征在于，步骤4中，构造残差密集模块网络结构MRDB-CNN训练网络的方法是：1)引入浅层特征提取模块，用7×7的卷积层提取眼底图像的浅层特征；2)引入残差密集模块MRDB，利用MRDB中的局部密集连接、特征重用与残差融合结构获取眼底图像细节；3)引入残差模块与全连接层，通过残差模块和不同特征图尺寸间的池化层不断提取眼底图像的显著特征，并由全连接层作为特征分类器，根据提取到的特征进行眼底质量二分类；4)比较网络的分类结果与专家的评定结果，计算损失函数，根据损失函数值调整网络参数。

5.根据权利要求1所述一种基于残差密集模块网络结构的眼底图像质量自动分类方法，其特征在于，步骤4中，实现残差密集模块MRDB的方法是：1)将密集连接部分的每一个concat层后都经过一个kernel size＝3，pad＝1，stride＝1的卷积；2)利用残差融合对相同特征图进行残差求和；3)MRDB模块中非线性转换函数MHl(·)由conv(3×3)-＞BN-＞ReLU-＞conv(1×1)-＞BN-＞ReLU-＞conv(3×3)组成。

6.根据权利要求1所述一种基于残差密集模块网络结构的眼底图像质量自动分类方法，其特征在于，步骤4中，残差密集模块网络整体结构包含四个池化层，其中Pool1、Pool2、Pool3为最大池化，目的是提取图像中最显著特征，Pool4设定为全局平均池化，以避免网络出现过拟合，整体网络结构由{conv1，pool1，MRDB，Res2_1，Res2_2，Res2_3，Res2_4，pool2，Res3_1，Res3_2，Res3_3，pool3，Res4_1，Res4_2，pool4，fc5}组成。