视网膜血管作为人体内在无创伤条件下,唯一可供观察的内部血管组织,一直受到研究人员的广泛关注。人体中诸多疾病的发生和预防都可以通过这一血管网络的物理变化进行表征和预测。大量的临床实验表明,糖尿病视网膜病变和视网膜动静脉血管的异常相关,除此之外像高血压以及一些胰腺疾病等都会引起视网膜血管网络的异常,通过提前获悉这些异常有助于延缓病情的发展恶化甚至杜绝疾病的产生。但是由于视网膜血管图像结构复杂,依靠医务人员手动的分析耗时且昂贵,而且难以得到精确的结果。因此采用图像处理的方法来自动的分析视网膜图像进行病情的分析诊断具有广阔前景。本文对视网膜血管的研究主要分为三个部分:视网膜图像预处理,血管分割提取,动静脉血管的分类。本文对视网膜图像的预处理工作针对不同实验目的采取不同的处理方法,以达到每个阶段效果最佳的目的。血管分割采用了改进的B-COSFIRE方法,该方法采用无监督学习,减少了对训练样本的依赖。动静脉识别部分采用了两种方法,第一种是手动特征的方法,在不同的颜色空间提取颜色特征后使用支持向量机进行分类。第二种方法是使用深度学习构建深度网络的方法对血管进行分类。两种方法完成后都需要引入血管结构特征,对分类完成的血管片段进行投票和类型校正。通过研究视网膜血管的动静脉特征,本文实现了从血管分割到血管动静脉分类的全自动分类方法。利用公开数据库DRIVE眼底图像数据库对本文的研究方法进行了测试,其中基于像素点的分类正确率为88.7%,基于血管段的分类正确率为89.07%。从本文的实验结果以及与其他相关工作结果的对比可以看出本文方法的有效性和准确性。