眼底视网膜血管图像的分割结果对视网膜性糖尿病、高血压、心脑血管等眼科疾病的自动诊断具有重大影响。由于视网膜图像存在血管微小、病变、中心反射、背景亮度不均等原因导致血管分割存在精度较低的问题。随着深度学习技术的发展,医学图像分割网络U-Net在眼底视网膜血管图像的分割中表现出良好的分割性能。为进一步增强U-Net网络结构对视网膜血管的分割性能,针对U-Net网络结构的编码部分、池化部分、跳连接及损失函数做出改进,提出了三种改进的U-Net视网膜血管分割算法。（1）在U-Net网络结构的编码部分提出了一种基于多尺度特征卷积提取的密集连接U-Net视网膜血管分割算法。在经典的U-Net网络结构中的编码部分用于实现特征提取,因其固定3*3大小的卷积核,导致不同尺度的血管特征信息丢失。因此引入了Inception多尺度卷积核结构,通过对输入特征图采用1*1、3*3、5*5等卷积核对血管特征提取。同时采用了Dense Net密集连接的特征传递方式,使当前层的输入特征来自于前面所有层的特征输出,进而达到最大程度的特征利用。设计了并行融合和串行嵌入多尺度特征密集连接U-Net结构:在并行融合方式中,对输入图像分别进行Inception多尺度卷积和dense block密集连接卷积进行特征提取,然后将二者特征融合后输入后续网络;在串行嵌入方式中,将Inception多尺度卷积结构嵌入在密集连接网络模块中,采用融合的密集连接结构替换U-Net网络编码部分的经典卷积块,实现对复杂结构血管多尺度特征提取及特征高效利用。仿真结果表明多尺度特征检测及特征密集连接能有效的增强网络模型对血管的检测能力,提升网络分割性能。（2）在原始U-Net网络结构的编码部分和解码部分通过跳连接采用直接线性堆叠的方式进行特征融合,这种融合方式会导致特征信息的丢失。为了进一步提升网络结构对特征信息的利用,提出了一种基于注意力机制的金字塔池化U-Net网络分割算法。在跳连接增加注意力门控机制,通过非线性方式使低层次特征与高层次语义特征更高效的融合,减少特征信息丢失,增加网络对特征信息的关注与利用。同时在编码部分的池化层,采用金字塔池化的方式,设置大小不同的池化步长对不同空间区域信息的聚合,从而使网络具有更优良的全局信息获取能力。通过在公开数据集上仿真验证基于注意力机制的金字塔池化U-Net网络分割算法,可以更充分的关注利用特征信息,抑制了无关信息的干扰,进而提升网络分割性能。（3）在网络的损失函数部分通常采用的是交叉熵损失函数,然而交叉熵损失函数在训练过程中会使得模型偏向于占比较大的类别。虽然权重交叉熵损失函数通过人为的权重系数调整,改善这一问题,但在前景像素中存在难训练的微细血管和易训练的粗壮血管。Focal Loss损失函数通过增加调制因子,针对这一问题进行了改善。提出了一种改进Focal Loss损失函数的双向卷积长短时记忆残差U-Net分割算法,对类平衡交叉熵损失函数进行改进,进一步引入比例调制因子增强网络对困难样本的学习能力。同时针对基本残差块,增加多尺度卷积核获取不同尺度血管的特征,并在残差结构的短连接中引入双向卷积（Long Short-Term Memory,LSTM）增强对图像时序和空间信息的获取,使网络能够获取更丰富的血管特征及有效的序列信息,增强了对微细血管的检测能力及血管特征的连续性。实验结果充分表明基于改进Focal Loss损失函数的双向卷积长短时记忆残差U-Net分割算法增强了对微小血管特征的检测能力,改善了血管特征的连续性,具备优良的分割性能。