目的:提出一种基于人类视觉注意力机制的RE-Net网络结构以使卷积神经网络（CNN）更适用于眼底相的屈光不正的智能诊断评估。方法:RE-Net由Res Net34作为骨干网络,进一步使用了上下文注意力模块,包括通道注意力机制和空间注意力机制,使其相应的通道发挥最大的作用,提高响应区域的权重。结果:使用了4358张眼底图像作为RE-Net的训练集。在包含485张眼底图像的测试集上,分类准确率分别为,高度近视93.3%,中度近视89.7%,轻度近视83.2%,轻度远视82.5%,中度远视79.5%,重度远视84.6%,平均分类准确率达85.5%,曲线下面积（AUC）为0.909,灵敏度为0.93,特异性为0.89, Kappa值为0.79 （x2=23.21,P(0.05）。结论:基于深度学习的RE-NET人工智能诊断系统能较好进行屈光不正的诊断评估,有望为屈光不正提供一种新的筛查工具。