چکیده: چکیده پیشگیری، تشخیص زودهنگام و طبقه‌بندی خودکار بیماری‌های چشمی از جمله موضوعات حیاتی و چالشبرانگیز در حوزه پزشکی است با توجه به اهمیت این موضوع، پژوهش‌های متعددی با استفاده از تکنیک‌های یادگیری عمیق به منظور دستیابی به نتایج دقیق و قابل اعتماد انجام شده است. اگرچه یادگیری عمیق به دلیل قابلیت استخراج خودکار ویژگی‌ها و انعطاف‌پذیری معماری‌های مختلف، پیشرفت‌های چشمگیری را در این حوزه ارائه داده است، اما همچنان چالش‌هایی نظیر نیاز به حجم بالای داده‌ها، بار محاسباتی سنگین و تنظیم بهینه فراپارامترها وجود دارد که زمان و تخصص زیادی را می‌طلبد. در مقابل، روش‌های یادگیری ماشین به دلیل سرعت بالاتر و بار محاسباتی کمتر، انتخاب مناسبی برای برخی از کاربردها محسوب می‌شوند .در این پژوهش، از شش مدل یادگیری انتقالی مختلف به منظور استخراج ویژگی‌های تصاویر چشمی استفاده شده است. برای طبقه‌بندی نهایی، از چندین الگوریتم یادگیری گروهی نظیر رندوم فورست، بگینگ، XGBoost و روش‌های Voting سخت و نرم و همچنین Stacking بهره گرفته‌ایم. اگرچه برخی از ترکیب‌ها و مدل‌ها به بهبود دقت تشخیص نسبت به روش‌های قبلی منجر شده‌اند، اما در همه موارد این بهبود مشاهده نشده است و برخی از مدل‌ها کارایی کمتری نشان داده‌اند. در روش پیشنهادی مدل DenseNet121 برای تصویر OCT بادقت 9987/0 وبرای تصویر فوندوس با دقت 9644/0و همچنین در روش Stacking برای تصاویر فوندوس مدل DenseNet121 با دقت 9466/0 و برای تصاویرOCT مدلVGG19 با دقت 9841/0 بهترین عملکرد داشته است.