眼睛是人体从周围环境获取信息的最主要的感官,在日常生活中具有非常重要的作用,而青光眼是全球范围内导致失明的第二大眼科疾病,一旦确诊很难根治,因此青光眼的早期筛查具有重要意义。彩色眼底照相中的视杯和视盘是医生在诊断青光眼时的重要依据,由于不同水平的医生对视杯视盘的主观估计误差较大,因此利用计算机辅助诊断技术帮助医生准确地分割视杯视盘具有非常重要的意义。由于视杯完全处在视盘内部且视杯的边缘不够清晰,因此对视杯视盘的准确分割是一件很有挑战的任务。目前已经有很多方法研究视杯视盘的分割,虽然深度学习方法的性能优于传统方法,但是模型参数量较大,对显卡要求高,并且没有更多地考虑多尺度信息。本文从眼底照相中截取视盘所在区域作为感兴趣区域从而减小训练计算量,并提出了一个基于卷积神经网络的轻量级语义分割模型Eye Net,实现了对视杯视盘的全自动的准确分割。本文主要研究工作总结如下:（1）针对不同眼底照相中视杯视盘的目标大小差异较大的问题,本文在编码阶段充分引入了多尺度信息,在不增加网络深度的同时提高特征图的感受野,进而能够实现对视杯视盘边缘的准确识别。（2）针对视杯视盘边缘不够清晰的问题,本文提出一个边界模块,能够放大特征之间的差异,进而有助于提高对目标边缘的分割能力。（3）本文引入了协同注意力机制,在通道维度和空间维度进行建模,实现对重要信息的增强,从而达到精准分割的目的。最终Eye Net模型的权重是2.71M,在测试集上的dice分割准确率达到89%,参数量和准确率方面均优于基于Mobile Net V2的轻量级Deeplab V3+模型。