A machine learning-based fundus image detection method, apparatus, and system. The method comprises the following steps: obtaining a fundus image to be detected (S11)； performing classification for an overall area of the fundus image using a first classification model (20), and determining whether the fundus image comprises a first feature (S12)； performing classification on a specific area in the fundus image using at least one second classification model (30), and determining whether the fundus image comprises a second feature, wherein the significance level of the first feature is higher than the significance level of the second feature (S13)； and determining a detection result at least according to the first classification model (20) and the second classification model (30) (S14).L'invention concerne un procédé, un appareil et un système de détection par rétinophotographie sur la base de l'apprentissage automatique. Le procédé comprend les étapes suivantes consistant à : obtenir une rétinophotographie à détecter (S11)； effectuer une classification pour une zone globale de la rétinophotographie à l'aide d'un premier modèle de classification (20), et déterminer si la rétinophotographie comprend une première caractéristique (S12)； effectuer une classification sur une zone spécifique dans la rétinophotographie à l'aide d'au moins un deuxième modèle de classification (30), et déterminer si la rétinophotographie comprend une deuxième caractéristique, le niveau d'importance de la première caractéristique étant supérieur au niveau d'importance de la deuxième caractéristique (S13)； et déterminer un résultat de détection au moins en fonction du premier modèle de classification (20) et du deuxième modèle de classification (30) (S14).一种基于机器学习的眼底图像检测方法、装置及系统，方法包括如下步骤：获取待检测的眼底图像（S11）；利用第一分类模型（20）针对眼底图像的整体区域进行分类，确定眼底图像中是否包含第一特征（S12）；以及利用至少一个第二分类模型（30）针对眼底图像中的特定区域进行分类，确定眼底图像中是否包含第二特征，其中第一特征的显著度大于第二特征的显著度（S13）；至少根据第一分类模型（20）和第二分类模型（30）的分类结果确定检测结果（S14）。
