年龄相关性黄斑变性是一种退行性视网膜疾病,是引起老年人重度视力障碍的主要原因。年龄相关性黄斑变性可分为干性和湿性两种类型。在因年龄相关性黄斑变性引起的致盲和严重视力损失中,有80%至90%来自于湿性。在临床诊断中,眼科医生通常需要在眼底图像中手动标记病灶区域并根据病灶区域给出诊断结果。手动标记和分析工作不仅费时费力,而且需要医生具有一定的临床经验,同时标记结果具有一定的主观性。因此,使用计算机视觉建立一种自动且可靠的眼底图像病灶分割方法来辅助眼科医生诊断湿性年龄相关性黄斑变性就显得尤为重要。本文提出了一种基于深度学习的湿性年龄相关性黄斑变性语义分割网络AMD-Net。该网络主要用于分割湿性年龄相关性黄斑变性患者眼底图像中的水肿和出血区域。网络使用简化后的U-Net作为基础结构,在编码器中加入编码特征融合单元,用于提取并融合多尺度的特征信息,并在中间加入注意力模块给重要特征信息赋予高权重。在跳跃连接中加入跳跃连接块,用于减少编码特征与解码特征之间的语义鸿沟。在解码器中加入解码注意力块来融合不同尺度的解码特征,并使用全局上下文融合块来替代解码注意力模块中的注意力机制,进一步增强高级语义特征对微小病灶区域分割的贡献。本文使用自建的眼底图像数据集在不同的分割网络中做了实验,实验结果显示,本文所提出的网络取得了最好的结果,证明了本文方法的有效性。同时,本文使用消融实验证明了编码特征融合单元、跳跃连接块、解码注意力块和全局上下文融合块的有效性。