视网膜血管的形态变化与一些疾病的发生息息相关,通过观察人类视网膜血管的形态结构可以对一些疾病做出诊断,因此实现视网膜血管的自动分割具有很现实的研究意义。目前已经有许多视网膜血管分割算法被提出,总体的分割准确率能够超过人工分割的准确率。但是,由于视网膜图像特征信息复杂度较高,大多数分割方法都存在易出现过分割和欠分割等问题。本文提出一种新的基于大感受野GAN(Generative Adversarial Networks,GAN)的视网膜血管图像分割算法,能够较为准确地分割出视网膜图像中的血管。本文方法基于零和博弈思想训练生成网络和判别网络,最终使得生成网络能够较为准确地支持对视网膜图像的血管分割。与现有的视网膜血管图像分割算法相比,本文在三个方面作了改进。首先,本文提出了一种新的生成网络架构,基于残差模块和空洞卷积提出一种空洞残差块结构,该结构在保持图像特征图信息不丢失的情况下,能够有效地增大网络的感受野,使得网络能够更好地捕捉到输入图像的全局信息。其次,本文提出了一种新的判别网络架构,能够基于输入图像对的深层语义信息来增强自身的判别能力,并且引入残差模块来防止网络出现退化问题。最后,本文提出了一种新的图像填充和裁剪方式,能够在引入最少像素的前提下保证不同分辨率网络特征之间的正常拼接。为了验证本文所提出方法的有效性,本文在两个公开数据集(DRIVE和STARE数据集)上与现有方法进行了实验比较,本文方法分割准确率分别为95.63%和96.84%,ROC曲线下面积分别为98.12%和98.53%,总体优于现有方法。实验结果表明,本文所提出的自动视网膜血管图像分割方法不仅可以获得较高的分割准确性和敏感度,而且能够适当地避免一些过分割现象,具有较好的分割性能。