El diagnóstico temprano de la retinopatía diabética (DR) puede prevenir de manera efectiva la pérdida irreversible de la visión y ayudar a los oftalmólogos a proporcionar planes de tratamiento oportunos y precisos. Sin embargo, los métodos existentes basados en aprendizaje profundo tienen una capacidad de percepción débil de la información de diferentes escalas en las imágenes de fondo de ojo retiniano, y la capacidad de segmentación de lesiones sutiles también es insuficiente. Este documento tiene como objetivo abordar estos problemas y propone MLNet para la segmentación de lesiones de DR, que consiste principalmente en el Bloque de Atención Multi-Escala (MSAB) y el Bloque de Percepción de Lesiones (LPB). El MSAB está diseñado para capturar características de lesiones de múltiples escalas en imágenes de fondo de ojo, mientras que el LPB percibe lesiones sutiles en profundidad. Además, se diseña una nueva función de pérdida con peso de lesión personalizado para reducir la influencia de conjuntos de datos desequilibrados en el algoritmo. La comparación de rendimiento entre MLNet y otros métodos de vanguardia se lleva a cabo en el conjunto de datos DDR y en el conjunto de datos DIARETDB1, y MLNet logra los mejores resultados de 51.81% mAUPR, 49.85% mDice y 37.19% mIoU en el conjunto de datos DDR, y 67.16% mAUPR y 61.82% mDice en el conjunto de datos DIARETDB1. El experimento de generalización de MLNet en el conjunto de datos IDRiD logra un 59.54% mAUPR, que es el mejor entre otros métodos. Los resultados muestran que MLNet tiene una destacada capacidad de segmentación de lesiones de DR.