眼睛是人体观察外界的重要感知器官,人体从外界接收的信息中80%都是通过眼睛获取的。糖尿病视网膜病变是糖尿病最常见的并发症之一,也是糖尿病微血管病变中最重要的表现形式,是造成患者视力下降甚至失明的主要原因。眼底视网膜图像是利用彩色眼底成像技术采集的一种眼底图像,由于该技术对人体无任何的伤害,并能清楚的观察到眼底的生理结构,对医生在诊断眼底病变中起到重要的辅助作用。医生通过对糖尿病视网膜患者的眼底视网膜图像进行分析,能够确定患者糖尿病视网膜病变的分期,从而确定合适的治疗方案。其中,硬性渗出物作为糖尿病视网膜早期的重要标志物之一,对于判断糖尿病视网膜病变的分期具有十分重要的意义。由于眼底图像中存在复杂的生理结构,对于硬性渗出物的诊断还主要依赖于眼科医生的手工标注,不仅费时费力还容易受到外界的干扰造成错误的标注。而传统的图像分割方法主要是基于图像的低级特征,这些算法缺乏稳定性和准确性,很难满足临床诊断的要求。近年来,深度学习技术的快速发展,为眼底视网膜图像分割提供了新的方法。针对硬性渗出物的特点,本文提出了从全局到局部的硬性渗出物分割算法,该算法通过迭代学习能自动的学习硬性渗出物的特征,解决传统方法准确率低的问题,同时该算法采取特征融合的学习方式,有利于增强模型的稳定性。本文的主要工作包含以下几个方面:(1)分析眼底视网膜图像,针对硬性渗出物的特点,对眼底数据进行预处理。采用对比度增强,调整图像的饱和度、色相,图像旋转等数据预处理的方法处理眼底数据集,得到有利于网络学习的数据样本。(2)提出基于全局信息特征的硬性渗出物分割模型,并成功实现硬性渗出物的分割。该模型采用编码器解码器结构,以整张眼底图像作为输入,编码器结构用于提取图像的特征信息,解码器对编码器提取的特征信息进行恢复。为了减少编码器解码器之间的特征损失,我们在编码器解码器结构中加入间隙填充层,编码器编码的特征经过间隙填充层再输入到解码器结构。在数据集上的分割结果表明,该方法能有效的分割硬性渗出物。(3)提出基于Patch的图像分割方法。该方法能有效的解决卷积神经网络因卷积核大小对图像造成细节特征的损失。基于Patch的分割方法将一张完整的眼底图像分割成大小相等的图像子块,每个图像块与图像块之间保留像素的重叠,最后通过图像块之间的拼接还原成原始图像的大小。此外,为了得到精准的分割结果,我们在分割模型中加入特征平衡层和Non-local结构。平衡特征结构用于平衡高层和底层的特征信息,减少特征的丢失。Non-local结构加强图像块中像素与像素之间的联系。(4)提出级联全局和局部特征的分割网络模型。该模型通过一个编码结构提取图像的特征,为了增强图像的语义特征,采用全局和局部两支子网络对图像进行特征提取,全局网络通过对整张图像的学习,保留了图像的上下文信息,局部网络利用整张图像对应的Patch,不仅解决了眼底图像数据量少的问题,同时提取了眼底图像的细节特征。网络最后融合了全局特征和局部特征,因此能够更好的完成分割任务。为了更好的提高网络分割的精度,提出了多尺度的分割方法。多尺度的分割方法主要包含以下两个方面:一、从粗到细的分割策略。首先在全局网络上进行分割,逐步过渡到局部网络;二、在两支子网络上分别进行不同尺度的分割。本文所提出的硬性渗出物分割算法均在公开数据集IDRID上进行了测试,并与其他经典的硬性渗出物分割算法进行比较。结果表明,该算法在硬性渗出物分割上有很好的分割效果,由此验证了分割算法的可行性。