眼睛是人类日常捕获信息最常用的器官,我们拥有的大部分知识和记忆是通过眼睛感知到的外部信息,经大脑皮层反馈后存储到大脑中,它的重要性可见一斑。随着科技的发展进步,个人用眼卫生不当所引发的眼部健康问题已是当下医学界亟待解决的共性问题。而有效的预防或治疗眼疾,应以精准的诊断为前提,眼底的视网膜血管作为人体中唯一可使用非破坏方式直接观察的血管结构,在临床医疗中对它作出精准分割,可使医护人员更为直观的通过观察其形态结构的变化,对相关疾病作出预防或进一步的诊断。因此,基于高识别精度的视网膜血管分割方法的研究,具有极其重要的临床医学意义和实际价值。传统的人工分割方式依赖和受限于医生知识理论的丰富程度,分割效率较低,且准确率难以保障。早期的自动分割方法则多依靠于对浅层特征提取的图像处理技术,但这类方法并不能获取到高延展性和鲁棒性的深层特征。利用深度学习可实现端到端,高精准度分割的特点,将它应用在视网膜血管分割任务中,通过提取表征力更强的深层特征,来显著提升分割精度和效率。本文基于视网膜血管图像的特点,采用深度学习的方法进行视网膜血管分割的研究任务,主要研究工作内容如下:1.研究了传统的深度学习模型—U-Net和特征金字塔网络(Feature Pyramid Network,FPN),将它们应用于视网膜血管的分割任务中。并采用真实眼底图像数据集,验证了裁剪方式、增强策略等处理工作对模型分割精度的影响,筛选出更适用于两种模型下的数据预处理方式。同时分析了两种基础模型的性能优劣。2.研究了多尺度融合特征金字塔的视网膜血管分割方法。针对原有FPN模型解析力不足的问题,采用不同倍率的空洞卷积,构建了多尺度融合的特征金字塔融合算法模型。通过实验验证了该算法模型分割性能上的提升,并引入聚集性损失函数,抑制了由于随机裁剪造成的正负样本失衡导致的模型偏移问题。3.研究了一种基于上下文融合模块的深层U-Net分割方法。针对U-Net结构单薄,造成细节语义信息缺失的问题,本文构建了结构更深的U-Net网络,并结合上下文融合模块提取表征性更强的特征信息。通过实验分割效果的对比,证明这种结构对细节信息有着更强的把控力度。