视网膜血管分割对糖尿病视网膜病变、高血压、心血管和脑血管等疾病的诊断有重要的研究价值和意义。糖尿病可以诱发许多并发症,其中眼部并发症有糖尿病性视网膜病变、白内障,青光眼等,它们的致盲是有不可逆转的。眼底作为人体能够直接观察到血管的部位,其自身的变化,如血管宽度、角度、分支形态和有无再生血管等,为眼科疾病的前期诊断提供了依据。目前诊断眼底疾病的主要方式是眼底血管分析,眼底血管分割则是疾病诊断分析的必要步骤。早期对视网膜眼底图像进行分析,可以有效地预防这类疾病。然而,由专业医师对视网膜图像进行人工评估是耗时且昂贵的,并且不适合大量人群筛查。虽然目前已有一些视网膜血管自动分割方法,但早期的大多数基于深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的方法对眼底图像缺乏足够的辨别力,容易受病理区域的影响,没有较大的感受野,也没有丰富的空间信息,无法捕获较大区域的全局上下文信息,所以识别病变区域较难,分割效率较低。针对以上问题,本文提出了基于卷积神经网络的多尺度和多路径的深度学习模型,论文研究的主要内容如下:（1）提出一种基于多尺度空洞卷积神经网络的视网膜血管分割模型,该模型主要包含了三部分内容,首先研究了一种基于自动色彩增强（Automatic color enhancement,ACE）技术的图像预处理方法,旨在提高图像质量,强化血管区域,达到更好的分割效果。其次,提出了一种名为蝶形全卷积神经网络（Butterfly Fully Convolutional Neural Network,BFCN）的改进的深度全卷积神经网络结构,用于视网膜血管自动分割。与基本全卷积神经网络相比,BFCN具有以下优点:1)多尺度输入可以有效提高分割质量;2)使用不同扩充率的扩充卷积来获取较大的感受野和丰富的空间信息,可以对局部上下文信息充分理解;3)转换模块在编码路径输出上采用全局平均池,计算注意向量来指导特征映射学习。它可以提高网络对信息特征的敏感度,在没有任何监控信息的情况下,信息特征在解码器中非常重要,有效的编码器信息可以做出更好的预测。最后,研究基于拉普拉斯算子的锐化方法对预测的分割图像做再处理,用以修复断裂的细小血管,达到提高视网膜血管分割准确率的目的。实验结果表明,本文提出的基于多尺度空洞卷积神经网络模型BFCN具有比其他模型更好的分割结果。（2）提出了多尺度扩充卷积网络对视网膜血管进行分割,比较以前的深度卷积神经网络模型,模型在结果上有较高的提升,但是由于将基本卷积块用多尺度信息提取模块替代后,网络宽度增加,这会造成计算时间冗长。考虑到以上问题,本文继续对模型做进一步的修正,期望达到在不损失精度的情况下,降低计算时间。提出了一种有效的语义分割方法,将卷积神经网络和循环神经网络结合,提出了多路径循环U＿Net网络架构,实现对视网膜医疗图像的分割。首先,将编码路径和解码路径多分支化,可以更加有效地获得不同的语义特征。其次,结合循环神经网络,将多路径输出特征时序化,进一步完善目标特征。实验结果表明多路径循环U＿Net网络模型进一步的提升了视网膜血管分割的准确性。