视网膜血管分割是进行眼底疾病筛查的重要步骤,在临床研究和疾病的早期诊断中具有重要价值。然而视网膜图像中的血管结构复杂,人工分割血管工作量巨大,如何精准有效地对视网膜血管进行自动分割仍是当前的研究热点和难点。针对视网膜血管分割任务,本文利用深度学习技术,提出了两种基于编码器-解码器结构的视网膜血管分割方法。本文主要研究工作如下:（1）提出了一种基于广泛激活的多尺度分割方法。该方法将研究视角转移到了深度学习的“宽度”。首先,在广泛激活的研究基础上,加入了联合正则化的优化设计。广泛激活改变了神经网络的宽度,联合正则化会从数据层面和训练层面进行优化,加快网络收敛的同时提高分割性能。其次,为了获取更多微细血管,本文设计了残差型空洞空间金字塔结构,有效捕获多尺度信息。实验表明,该方法使用参数较少,在保证分割速度和精度的同时能够有效地捕获细小血管。（2）提出了结合双向卷积LSTM与迭代编码-解码网络的分割方法。针对视网膜图像中被分割出的血管存在连续性不足的问题,该方法以迭代的编码-解码网络为基础,使用密集前馈级联的方式进行跨层间连接,保证了对血管分支连续性的学习能力。为了加强模型对血管的预测能力,本文在跨层间连接过程中使用了双向卷积LSTM,以获取视网膜图像的时空特征,优化分割结果。为了提高模型的泛化性能,网络在训练前使用了数据增强来扩充样本。实验结果表明,该方法提升了分割性能,并且分割出的血管更具连续性。（3）本文在DRIVE和STARE两个眼底图像数据集上进行了实验。为了对以上两种算法进行全面的评估,设计了三部分对比实验,包括数据集内不同算法对比、数据集间交叉验证和改进造成的影响。实验结果表明,两种方法均具有较强的鲁棒性,分割性能具有较强的竞争力。