血管是构成人体循环系统的重要组成部分。血管图像的分割和检测对血管类疾病诊断非常重要。由于血管结构复杂、图像对比度低和造影剂充盈不均匀等问题,血管图像自动分割和检测面临很大挑战。通过研究发现,以下几个问题是目前亟待解决的:（1）分叉血管和病变处血管的精确分割比较困难。（2）三维血管分割运算速度慢、重建精度低,无法适用于临床诊断。（3）血管图像数据量小、样本不均衡,检测任务准确率低。本文从二维图像到三维图像,从血管分割到检测,从精确度到运算速度,逐层递进,对多种血管图像进行了分析和研究。本文取得的研究成果主要包括以下四方面:（1）提出两种基于注意力机制的视网膜血管分割方法。我们首先提出一种加入残差模块和注意力模块的对抗生成网络Att-ResGAN,在DRIVE和STARE数据集上评估,其准确率和Dice系数分别达到了 0.9564、0.829和0.9690、0.841。针对血管异常和分叉情况下分割精度低的问题,我们又提出一种双重注意力引导的迭代U-Net方法,即DAI-UNet。融合通道注意力和空间注意力,并加入辅助网络完成精细分割,解决了现有血管分割模型中常见的像素缺失问题。实验证明,该方法的分割结果优于我们之前提出的Att-ResGAN和其他主流网络。（2）提出一种三维冠状动脉自动分割方法。从计算机断层扫描血管造影图像中准确提取冠状动脉是冠状动脉三维可视化和冠心病诊断的基础。我们提出一种基于Hessian矩阵和球模型的冠状动脉分割方法。基于改进的Hessian滤波器增强血管结构,通过最大后验估计将体素分类为血管类和背景,用球模型提取冠状动脉,并使用聚类进行分支检测。实验结果表明,该模型能够自动提取冠状动脉,减少血管断裂,避免产生伪血管结构。（3）提出一种基于形态约束和深度网格回归的主动脉夹层分割方法。主动脉夹层是一种急性、严重的血管疾病。针对目前主动脉夹层分割边缘粗糙、分辨率低、速度慢,不适用于临床诊断的问题,我们设计了一个卷积编码-图卷积解码结构预测从三维网格到主动脉夹层真腔表面的偏移量,用管腔形态约束初始网格并引导变形,引入分步回归策略解决网格折叠问题并提高网格点的均匀性。在主动脉夹层数据集上进行验证,其Dice系数为94.12%,Hausdorff 95%距离为2.85mm,均优于当前五种主流的主动脉夹层分割方法,并且处理时间仅为16.6s,满足临床要求。（4）提出一种基于迁移学习的冠状动脉狭窄检测方法。为了解决血管图像常见的训练数据不足、分类精度低问题,我们用具有千万级图像的ImageNet预训练,采用迁移学习策略训练网络,将注意力机制与残差网络相结合,检测冠状动脉狭窄。在冠状动脉造影数据集上验证,其准确度、敏感度和特异度分别达到0.92、0.94和0.90,大幅优于直接训练的结果。