随着硬件设备和技术的发展,深度学习方法在计算机视觉、生物、工程等领域取得了显著的成绩,也逐渐成为医学图像处理领域中的主流方法。其中,基于眼底图像数据的视网膜血管分割由于其在辅助诊断糖尿病视网膜病变、青光眼等疾病中起到的重要作用,而逐渐成为医学领域研究的热点。但是,视网膜血管数据往往存在数据量稀少、图像对比度低和血管粗细分布不均等问题使得进行准确快速的视网膜血管分割非常具有挑战性。因此,本文基于深度学习方法对视网膜血管分割问题展开研究。考虑到,已有的大量研究工作主要使用切片（patch）处理来解决血管数据量少的问题,却忽略了切片处理带来的信息损失。本文针对切片操作,从两方面对已有的方法进行了改进,提出了两种新的分割方法。首先,我们基于U-Net和全局信息搭建了视网膜血管语义分割模型。该方法从网络框架入手,通过多模型并行链接引入由切片操作丢失的全局信息。此外,为充分融合全局与局部信息,本文在数据集中引入切片对应的位置信息,来对输出的全局特征图进行裁剪以更好的与对应的局部信息匹配。通过与基线模型的对比试验验证了我们所提模型的有效性,同时,进一步验证了切片操作确实会导致信息的丢失。然后,本文基于U-Net和改进切片策略搭建了视网膜血管语义分割模型。模型直接对切片操作进行改进,提出了两阶段切片策略,在增加图像多样性的同时减少了模型的训练时间。此外模型采用两种专为图像超分辨率设计的技术代替了传统的采样策略,充分利用上下采样中的信息。同时,所提出的神经网络模型考虑了不同归一化层和激活函数对准确区分血管和背景的影响。在两个公开的数据集上的实验结果表明,该模型在分割性能方面具有较强的竞争力,尤其是敏感性指标远超其他方法;同时模型在计算时间方面具有显着优势,仅需10分钟即可完成模型训练,是常规模型所用时间的百分之一,这对眼底筛查的推广有着重要的应用价值。