医学和计算机技术的发展,使得利用计算机技术分析临床数据成为了可能。眼底图像是比较常用的一种医学实验图像,它可以用来帮助医生对于某些疾病的诊断提供参考依据,比如青光眼、老年黄斑变性、高血压以及糖尿病等疾病。其中青光眼是一种具有高度危险性和广泛性的眼部疾病,可导致视力永久性丧失。杯盘比是青光眼筛查的重要参数之一,这就要求对视杯和视盘进行精确的分割。另外,视网膜黄斑区域是视网膜眼底图像中最重要的解剖结构之一,是眼睛感光的重要部位,并且位于视网膜的较暗和色素沉着的区域中,它的定位和分割在视网膜疾病自动分析中是非常必要的。在本论文中,提出了使用基于VGG16的全卷积网络模型进行实验,并采用公开的DRIVE眼底图像数据集。鉴于该数据集数据样本较少,在本论文中提出了使用图像变换的方法扩充实验样本。另外,通过借鉴全卷积网络中的跳跃结构的思想对提出的模型进行进一步微调整,即选择基础模型与第二层池化层的输出结果进行融合叠加,生成的模型为初级微调整模型,然后再让该模型与第一层池化层的输出结果进行叠加,产生的模型为终极微调整模型。其次,利用迁移学习的思想,初始化模型的训练参数,并通过对参数进行微调,对实验数据进行训练分割,最后输出模型的分割结果。然后通过实验分别对初级微调整模型和终极微调整模型的分割结果进行对比分析。通过实验对比,发现通过继续往前融合叠加池化层的特征图,会在一定程度提升视杯、视盘和黄斑三个结构的分割效果。其次,通过全连接条件随机场的后处理操作之后,眼底图像中视杯分割受血管影响较大。但此种方法可以作为后续项目中眼底血管的分割。