视网膜图像包含丰富的组织结构和病灶信息,视网膜图像的处理和分析能够为多种眼底疾病的早期筛查提供重要临床依据。受限于视网膜图像成像条件等客观因素,单凭眼科医生手工筛查眼底图像进行疾病诊断十分耗时费力,无法满足大规模眼底图像检查的需要。因此,结合图像处理和深度学习技术实现视网膜图像的自动分割对于疾病早期筛查具有重要研究价值。本文基于深度学习对视网膜图像分割技术进行研究,完成视网膜图像血管和视盘分割。本文主要的研究内容和创新成果如下:1)在视网膜血管分割工作中,本文提出了一种基于全卷积神经网络的视网膜血管分割算法,无需手工设计特征和后处理过程。首先,通过跳跃连接构建编码器—解码器分割网络,将低层特征和高层语义特征融合。其次,我们引入残差学习和Dropout策略进一步学习图像边缘和纹理特征。2)针对视网膜图像细小血管难以分割的问题,本文提出利用空洞卷积构建空洞空间金字塔池化模块,通过融合来自不同感受野的多尺度信息实现多尺度分割。一方面能扩大感受野,充分结合上下文信息,提高对细小血管的分割能力;另一方面,空洞卷积大大减少学习参数,利于模型训练和优化。我们还使用类别平衡损失函数,有效解决数据集中正负样本不均衡的问题。实验证明,本文算法与主流视网膜血管算法相比更好地保留了图像纹理和边缘等细节信息,能够实现精准的血管分割。3)在视盘分割工作中,提出了一种改进的结合注意力模型和U-Net网络的视网膜视盘分割方法。通过引入注意力模型,本文利用较少先验知识学习到与目标区域最相关的特征,实现精准分割。本文提出的视盘分割方法在DRIONS和MESSIDOR数据集上进行了测试和分析。实验表明,相比于原始的U-Net分割算法,结合注意力模型的分割网络能够较好地保留视盘边缘,具有较好的视盘分割性能。