در این پایان نامه، روشی برای تشخیص زود هنگام بیماری رتینوپاتی دیابتی به کمک آنالیز تصاویر پزشکی شبکیه با استفاده از تبدیل ویولت و تجزیه ماتریس نامنفی( nmf) ارائه شده است. در اولین مرحله پیش پردازش تصاویر شبکیه به منظور افزایش کیفیت انجام می شود. سپس تبدیل موجک به منظور استخراج ویژگی روی تصویر پیش پردازش شده اعمال می شود. در این پایان نامه از تبدیل موجک haar در دو سطح استفاده شد. پس از اعمال تابع موجک تصاویر به دست آمده برای ساخت ماتریس مشاهدات در تبدیل nmf مورد استفاده قرار می گیرند. با اعمال تبدیل nmf در ماتریس مشاهدات دو ماتریس به دست می آیند که یکی شامل اجزای مختلف تصویر شبکیه (ماتریس سورس) و دیگری شامل ضرایب مربوط به هر سورس می باشد. از بررسی نتایج حاصله از تبدیل nmf به این نتیجه رسیدیم که سطر های دوم و سوم ماتریس سورس حاوی اطلاعات مربوط به اگزودا می باشند. نکته جالب توجه که در این الگوریتم تحقق یافت حذف دیسک نوری در این سورس ها می باشد که دارای طیف روشنایی مشابه با اگزودا است به منظور بهبود درجه آشکاری جراحات، سورس های حاوی اطلاعات جراحات (سورس دوم و سوم) بعنوان ماسک بر روی تصویر اصلی (سورس اول) استفاده شدند، بنابراین دیسک نوری و رگ های خونی و اجزای غیر جراحت در تصویر حاصل تضعیف شده و اگزوداها بصورت واضحتری مشخص می باشند. نتیجه حاصل از این مرحله برای استخراج ویژگی های آماری مورد استفاده قرار گرفت. پس از این مرحله در نهایت از بین کلاسه بندهای مختلف روش بوستینگ با هسته logitboost بهترین درصد درستی، حساسیت و ویژگی را از خود نشان داد. لازم به ذکر است که در این مرحله انواع مختلف طبقه بندی کننده های دیگر یا هسته های مختلف بوستینگ نیز مورد بررسی قرار گرفت. برای از بین بردن شرایط تصادفی آموزش و آزمایش، از روش 10-fold cross validation استفاده شد تا درصدهای بدست آمده از اعتبار کافی برخوردار باشند در پایان بر اساس کلاسه بند و ویژگیهای انتخاب شده ، نتایج حاصل بصورت جدول و تصویر آورده شده که بیانگر درستی و قابل اعتماد بودن روش پیشنهادی است.