眼底视网膜包含着丰富的微细血管,对彩色眼底图像中血管的分析与研究是了解全身各部分血管信息的重要途径之一,同时视网膜血管的非正常形态表征变化往往与部分特定眼部和综合系统疾病有着紧密联系,通过对视网膜血管的分割与提取能够为这些疾病的临床诊断、预防和发展阶段判断提供可靠的信息依据,进而对后续治疗决策产生积极影响。为提高视网膜图像处理效率、避免主观因素和个人经验在分割结果的干扰影响,构建准确且快速的视网膜血管分割模型对于辅助诊断具有重要意义。本文针对全卷积神经网络(Fully Convolutional Networks,FCN)在图像语义分割中的算法特点,分别从数据预处理方式、网络超参数设置以及模型结构等多个角度进行优化与改进,并在DRIVE和STARE视网膜数据集上进行大量实验。本文的主要工作包含:(1)详细分析了全卷积神经网络在深度学习图像分割领域的应用场景与原理。利用全卷积神经网络端到端-像素到像素的特性,构建并实现合理的分割网络结构,在此基础上验证全卷积神经网络对眼底视网膜血管图像分割的有效性。(2)综合常见眼底视网膜血管分割中数据的增广预处理方法,使用U-Net网络对不同的视网膜血管图像数据增广方法进行分析,并对比不同的优化目标函数在视网膜血管的分割效果。采用五种评估指标从客观角度评价数据增广过程和方法对于全卷积神经网络性能和分割结果的影响程度。(3)针对视网膜血管分割模型收敛速度缓慢以及准确度低等问题,以U-Net网络结构为基础提出一种结合使用残差学习、膨胀卷积和批量归一化(Batch Normalization,BN)优化的眼底视网膜血管分割方法DResU-Net。残差学习使网络层拟合残差函数从而有利于网络权重参数的调整和梯度的传递;膨胀卷积在控制参数数量不变的情况下扩大了感受野范围以提取更为抽象的特征信息;将批量归一化用于规范特征数据分布从而加速收敛。实验结果表明,经过改进优化后的DResU-Net网络具有较强的泛化能力和准确性。(4)为进一步提升视网膜图像中末端微细血管的分割精度,提出了一种多尺度特征密集连接下采样结构,并结合上下文特征信息的分割网络模型IDU-SSP。将Inception多尺度卷积特征结果作为密集连接(Densely Connected Convolutional Networks,DenseNet)的共享特征在主干编码网络传递,以增强网络中特征的流动,使用金字塔池化提取数据中的上下文特征信息,通过逐层解码以获得更优的血管分割结果。通过对比实验的方式验证了该方法在整体血管以及末端微细血管分割上具有更好的表现。通过综合对比实验的结果,本文所提出的IDU-SSP方法在视网膜血管分割的精度中提升效果较为显著,并且能够对视网膜图像血管的局部细节和整体结构像素进行较好的划分,在保证网络精度与泛化能力的情况下具有较好的实用性。