眼底视网膜血管是人体中唯一可以通过非创伤方式直接观测到的器官,视网膜毛细血管周围的表征变化可作为视网膜病变及心脑血管疾病的主要检查依据,通过视网膜毛细血管自动分割与特征提取技术可以为疾病早期确诊和临床诊断提供有效的信息依据。因此,将计算机辅助技术应用到视网膜血管分割任务中,可以为医学图像处理领域提供准确而高效的方法。本文通过分析语义分割网络模型的特点,研究了基于U型网络（U-Net）的视网膜血管分割算法,通过对U-Net网络模型进行分析与改进,设计了PDU-Net和DUS-CycleGAN两种不同视网膜血管分割网络模型,并分别使用DRIVE和CHASEDB1两种眼底血管数据集进行实验对比与结果分析。主要的研究内容如下:（1）基于卷积神经网络的图像语义分割算法研究。详细分析了视网膜血管语义分割任务中常用的卷积神经网络FCN（Fully Convolutional Net-works,FCN）和 U-Net,针对 U-Net 网络可以将浅层特征信息与深层特征信息融合、自动捕捉上下文特征信息的特性,本文对U-Net网络模型的结构进行研究与改进,为后续算法的研究及实验的部署提供了坚实的基础。（2）视网膜血管图像的数据增广及预处理方法研究。由于视网膜血管图像和相对应标签的数量较少,网络训练过程中容易出现过拟合现象,需要对眼底血管图像进行旋转、平移及裁剪等数据增广操作。由于血管图像背景区域存在无关的特征信息,通过归一化、伽马矫正等操作对眼底血管图像进行预处理,以此提高网络模型的鲁棒性及特征提取的可靠性。（3）基于改进的U型网络视网膜血管图像分割算法研究。针对U-Net网络在视网膜血管图像分割过程中存在准确率低、血管分割轮廓模糊等问题,设计了一种基于PDU-Net的视网膜血管分割模型。该模型以U-Net为基础框架,将底层编码操作改为空洞金字塔池化模块,同时添加具有BN层的密集连接结构来加深网络层数,扩大整体感受野,使分割模型可以感知更多视网膜血管的多尺度特征信息。对比实验验证了基于PDU-Net的视网膜血管分割模型相较于其他算法模型分割精度更高。（4）基于改进的循环生成对抗网络视网膜血管图像分割算法研究。针对PDU-Net视网膜血管分割算法存在毛细血管漏分割及视盘区域误分割等问题,设计了一种基于DUS-CycleGAN的视网膜血管分割模型。该模型以循环生成对抗网络为基础框架,将分割网络改进为U-Net和密集连接相结合的模块化组合,以减少冗余的特征映射。在残差模块中引入通道注意力机制,以增强视网膜血管全局特征信息,并通过最小二乘损失函数提升网络模型训练的稳定性。实验结果表明,基于DUS-CycleGAN的视网膜血管分割模型对于末端细小血管的分割准确率更高。通过对比实验结果表明,本文提出的DUS-CycleGAN网络与其他主流模型相比在血管分割任务中有更好的特征表示,能够适用于视网膜血管分割领域,丰富视网膜血管细节信息,提高血管分割的精确度。