社会不断的发展进步,繁重的工作压力与身体素质的下降导致由于视网膜病变引发疾病的人群日益增多。因此对于视网膜血管结构的分析和准确检测被认为是大规模人群预防眼底疾病的首要任务。在眼科疾病的诊断中,对视网膜血管进行分割是非常有效的一种方法。而计算机算法可以迅速,准确的获取视网膜血管图像,而且客观,理智,成本较低,对眼科疾病的治疗以及观察具有重要意义。在方法使用中,由于受到图像获取仪器制约,捕捉到的视网膜血管图像的对比度较低,部分微小血管分叉过多,组成复杂。为解决这些问题,对于视网膜血管图像的准确快速分割成为了目前学术界的重点研究方向。针对这些问题,本文提出了基于残差网络与注意力门机制进行改进的视网膜血管分割算法与基于Ladder-net和RAU-net改进的视网膜血管分割算法。主要研究内容如下:(1)基于全卷积网络提出的U-net网络结构进行改进,提出了一种新的视网膜血管分割算法RAU-net,用来解决视网膜血管图像分割问题。为解决卷积运算越多,网络越深,网络性能下降的问题,我们在U-net网络中引入了残差模块。而为了抑制解码器阶段不必要的特征信息,我们加入了注意力学习模块,以提高血管图像分割的准确性。在引入两种改进模块的同时,将两者巧妙地结合在一起,从而使两种改进方法更上一层,使改进效果更加明显并出色。(2)基于RAU-net进行进一步的改进,结合Ladder Net提出了一种新的分割算法Lad-RAU-net。在RAU-net网络架构的基础上引入了Ladder Net中的多对编码-解码器结构,将两个RAU-net结构并行连接在一起,用于提取更多特征值。并用注意力机制门取代了普通的求和机制,用来消除噪声,提高血管图像分割的准确性。通过对三种不同构成内容的新模块对比,采取一种新的残差模块代替普通模块,抓取特征更加仔细,分割精度得到大幅度的提高。通过对这两种方法在DRIVE,STARE和CHASE＿DB1三个公共视网膜图像数据集的实验训练,提出的这两种基于U-net结构改进的网络模型方法,可以有效的完成对视网膜血管图像背景与非背景区域的分割,分割效果相对于传统无监督算法与有监督算法较为优秀,效果较好。