视网膜血管的形态和结构的变化与人体中的糖尿病、高血压等疾病的发展有着密切的关系,而视网膜血管本身也具有便于观察的特点。因此视网膜图像中血管的自动分割问题对于医学领域具有重要的意义。近些年来,深度学习方法在该问题上应用已经非常广泛,经过几年的发展已经有了很多成果。因此,本文以视网膜图像血管分割为目标任务,深入研究了深度学习和迁移学习在血管分割上的应用。主要工作如下:（1）对视网膜图像血管分割的研究现状以及应用于血管分割的机器学习、深度学习和迁移学习算法进行了调研和总结。并针对有标记训练样本数量不能满足深度学习的要求的问题进行了深入分析,探讨了该问题的解决方案。（2）提出了基于网络的深度迁移学习视网膜图像血管语义分割方法。首先搭建了适用于血管分割任务的深度神经网络U-Net,以DRIVE作为目标域数据集,将提升目标域数据集图像血管分割精度作为目标任务。然后选择STARE等几个质量相对较差的视网膜图像数据集和有标记神经元突触分割数据集CREMI作为迁移学习的源域,实现U-Net网络的预训练。最后使用目标域训练集对预训练后的网络模型进行微调。结果表明该方法能够将源任务中有用的知识迁移到目标任务中,初步提高了血管分割精度。（3）针对源域数据集中部分样本应用在目标任务会带来负迁移问题,提出了基于实例的深度迁移学习视网膜图像血管语义分割方法。首先根据特征提取的需要,对典型的U-Net网络结构进行了改进,能够适当降低图像深层特征的维度。然后应用半监督聚类的步骤筛选出与目标域样本特征相似的源域样本。最后将筛选出的样本加入训练集,扩大训练集规模。实验结果证明,该方法能够提取出源域数据集中对目标学习任务有用的部分样本,进一步提高了网络模型的分割性能,缓解了源域带来的负迁移的影响。（4）针对目标域和源域样本特征差异较大的问题,提出了基于映射的深度迁移学习血管语义分割方法。该方法把经过预训练的U-Net网络的各卷积层输出作为图像的特征表示空间,通过在这些特征表示空间中计算和比较目标域和源域图像特征的差异,找到差异最小的卷积层确定为特征表示空间并在微调时固定该层之前的网络参数,这样便将所有图像映射到了此空间中。随后又结合了迁移实例筛选过程,使差异进一步减小。实验结果证明,该方法能够将所有样本映射到新特征表示空间,有效地减小了目标域和源域数据分布的差异,进而更加充分地利用源域信息,提高了目标任务的血管分割精度。