随着深度神经网络技术的不断发展,使用深度学习处理医学图像逐步成为医学图像处理研究领域中的热点问题。其中彩色眼底图像是眼科疾病筛查中一类较为常见的医学图像,它主要包括了视盘、视杯、血管和黄斑区等结构,这些结构的形态可以为某些疾病提供重要的诊断依据,如视杯与视盘的直径比值可以用于青光眼的诊断,出血、渗出、微血管异常等可以作为糖尿病的诊断依据,视网膜动脉病变可能是高血压的症状之一。为了准确地判读眼底图像以做出相应的医疗评价,就需要准确地对眼底图像中的视盘、视杯和血管等结构进行分割。然而,人工判读眼底图像十分依赖医生的经验,时间和人力成本较高。基于以上原因,通过深度学习的方式对眼底图像中的重要结构进行高精度地分割,对于诊断眼底疾病有十分重要意义。本文在国内外研究的基础上对眼底图像中的视盘、视杯和血管的分割方法进行了研究。主要的研究内容包括3点:基于U型神经网络的视盘与视杯分割方法研究。本文首先开展了对视盘与视杯的分割方法研究,针对现有的分割方法中图像信息丢失问题,提出了基于注意力机制的池化模块,随后基于该模块结合U型神经网络结构设计了眼底图像分割网络——APUNet用于视盘与视杯分割,最后在公开的数据集上充分进行实验,实验结果证明本文提出的APUNet可以准确地拟合视盘、视杯的轮廓,并生成视盘、视杯的分割预测结果图像。基于U型神经网络的血管分割方法研究。本文随后在视盘视杯分割方法的基础上对血管分割方法进行了探讨,针对现有的分割方法无法对血管末梢准确分割的问题,提出了基于图像裁切的血管分割流程,并进行了实验验证,生成了血管分割预测结果图像。通过实验结果对比,验证了本文所提出的血管分割方法可以较为准确地分割眼底血管结构,并且分割效果超越了现有的分割方法。基于迁移学习的眼底分割网络性能优化方法研究。最后本文还研究了基于迁移学习的网络训练优化方法,针对眼底图像分割网络训练过程中模型收敛速度慢、模型训练不够稳定的问题,提出了3种不同的迁移策略并进行了实验验证,加快了眼底图像分割网络收敛速度并进一步提升网络分割的精度。