视网膜眼底血管位于人体血液循环系统的末端,是全身唯一可以通过无创伤方式观察到血管结构的部位。视网膜血管树对于每一个个体来说都是独一无二的,可以用于生物特征识别。眼底血管图像中还包含丰富的特征信息,能够用于进一步诊断和治疗眼部相关疾病,例如糖尿病、高血压病和冠心病等。其中眼底血管分割是这些疾病诊断最重要的一步。因此,眼底视网膜血管的准确分割可以帮助医生更好的对相关疾病进行诊断,这对于后期给出合适的治疗方案具有重要意义。眼底血管图像因为受到光照不均匀、医学成像系统质量的高低和疾病等因素的影响,会使得血管与背景难以分割。目前研究者们提出的解决方法主要分为人工分割、基于无监督的方法和基于有监督的方法。因为人工分割所需成本过高且容易出错、基于无监督的方法往往不能够取得非常准确的分割结果。所以本文主要是采用基于深度学习的方法来实现眼底视网膜血管的准确分割,本文所做的研究主要有以下几个方面:（1）基于GBU-Net的视网膜血管分割算法。首先对原始数据进行数据增强操作,将原始图片划分成切片块,然后将切片块送入到网络模型中,模型跑出的切片块再合成对应图片的分割结果。设计的网络模型主要是基于U-Net进行的改进。在下采样的前三层,使用全局卷积网络和边界细化模块相结合的方式来替换普通的编码操作,从而提升模型提取不同转换特征图所含信息和血管边界的能力;在下采样的最后一层采用密集卷积网络模块,防止模型产生过拟合现象。（2）引入双注意力机制的AGBU-Net血管分割算法。网络模型主要是在GBU-Net的基础上进行了改进。对传统的跳跃连接进行了修改,首先通过改进的位置注意模块使模型更好的提取上采样特征图包含的语义信息,并且使用改进的空间注意模块使模型更好的提取对应编码层特征图包含的空间信息,然后使用Conv LSTM模块来结合语义与空间信息以提取更好的特征信息来优化模型;对原始眼底图像进行了数据预处理操作来提升血管与背景对比度;对模型得到的血管概率分布图使用后处理来减少噪声点。（3）提出了一种新的血管分割算法MDASPP-Net。网络模型是在AGBU-Net的基础上进行的改进。通过在编码层的前三层输入不同尺度的原始图像来获取图像不同比例的特征信息;在编码的最后一层使用多尺度密集特征金字塔级联模块来对不同尺寸的特征图进行多尺度空洞卷积级联操作来获取不同尺寸特征图的局部信息和上下文信息;再通过深度可分离卷积替换传统卷积来降低模型参数并加快模型训练速度;以敏感性、特异性、准确性、F1-Score和AUC为评价指标,在两个公开的眼底视网膜图像数据集DRIVE和CHASE＿DB1中进行了测试,实验发现MDASPP-Net在血管分割问题方面,性能要优于其他算法。