如今全球糖尿病的人数越来越多,很多糖尿病并发症都会成为人眼失明的主要原因,如糖尿病视网膜病变（Diabetic Retinopathy,DR）、新生血管性青光眼（Neovascular Glaucoma,NVG）等,一旦疾病恶化到一定阶段,会对视力造成不可逆转的损伤甚至失明。目前对于眼底病变的诊断基本通过专业医生对眼底生理结构或病灶直接观察。这个过程费时费力,同时眼底图像病症复杂,各种病变程度存在极大不一致性。近年来通过计算机图像处理技术来帮助医生达到辅助诊断作用,大大提高医生工作诊断效率,同时提高了对眼底病灶筛查的普及性和准确率。本文针对眼底血管、视杯视盘的生理结构是否病变问题,结合深度学习算法,分别使用了卷积神经网络（Convolutional Neural Network,CNN）和生成对抗网络（Generative Adversarial Network,GAN）对眼底血管、视杯视盘进行分割,可以针对眼底疾病做到有效地早期筛查,帮助病人及时发现、治疗眼底疾病。主要工作内容和贡献如下:（一）眼底视网膜血管的自动分割被认为是糖尿病性视网膜病变等早期诊断和预防的重要环节,本文基于U-Net模型搭建了一个新型的血管分割网络。首先在编码-解码中利用了深度可分离卷积来替代传统的3*3卷积,在保证分割精度的同时也大大降低了模型的参数量。其次,在跳跃连接结构中加入了注意力模块来提高编码器中的有用信息,并设计了一个特征融合模块,能够大限度地提高网络的长距离依赖性,融合更多层次的特征。通过多次的交叉实验验证了所设计模块的优异性和网络的有效性,结果表明,本文算法可以提取更加详细的血管信息,在DRIVE和STARE数据集上,ACC值和SE值分别达到0.9627、0.8215和0.9713、0.8477。（二）由于数据中的眼底视盘、视杯边界信息模糊,信息错综复杂,导致视杯不能够被有效地分割识别,本文提出了一种基于生成对抗网络的视盘分割方法,在Seg AN的基础上对网络的生成器进行了改进,生成器为加了特征融合模块的U-Net,不仅增大了模型的感受野,增加了网络的长距离依赖性,且感受野区域内的所有特征信息都能够完全覆盖。根据实验结果可以明显看到使用特征融合模块的网络对于边缘信息的处理更佳,没有任何的空洞和边缘缺失,通过实验的定量分析,Dice、MIo U、准确度等量化指标分别为0.8210、0.9576、0.9845（视盘）,0.8157、0.9086、0.9873（视杯）,实现了基于GAN的端对端的高精度自动分割。