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.