眼底视网膜血管的检测与分析对许多眼科疾病的筛查和诊断具有重要作用,根据血管的直径、曲度和颜色等变化,它可以有效帮助医生判断眼科、内科等疾病。视网膜血管分割是眼科疾病临床检查的基础步骤,有助于病变的可视化与量化,因此,视网膜血管分割的准确性非常重要。人工分割方法既耗时又费力,同时眼底图像中血管的拓扑结构复杂多变,且形态各异,仅靠人工分割方法很难对视网膜血管进行准确的分析和判断。而借助计算机辅助诊断系统可以实现视网膜血管的精确分割,减轻人工负担,提升眼科疾病的临床诊断效率,因此在现阶段具有非常好的应用价值和前景。为此,本文分别提出三种视网膜血管分割算法:基于多尺度特征融合的U型分割算法、自适应聚合特征信息的U型分割算法和轻量级高分辨率网络分割算法。主要研究内容如下:（1）考虑到视网膜血管形态结构复杂,特征信息多变等特点,同时传统U-Net模型对特征的提取方法较为单一,提出一种基于多尺度特征融合的U型视网膜血管分割算法。首先在U-Net中将普通卷积替换为残差模块,以实现对特征的复用;然后在网络首尾和底部分别加入并行多分支结构与金字塔池化模块以扩大提取特征的感受野,促进不同尺度特征间的融合;为了能更好地动态权衡前景与背景的权重比例,消除眼底图像中的噪声影响,在网络跳跃连接中引入注意门机制。（2）为了更加精准地分割视网膜血管,提升算法识别微血管的能力,提出一种自适应聚合特征信息的U型视网膜血管分割算法。一是在编码部分引入的特征选择模块不仅加强了特征传递,而且能使网络有选择性地强调特征信息;同时在网络底部嵌入稠密的空洞空间金字塔池化模块,以有效捕获不同尺度下的血管特征,使网络生成更加丰富密集的上下文信息;二是在解码部分构建自适应聚合模块,旨在将编码部分每个层级中的语义信息进行聚合并传送到后续层中,有利于视网膜血管的空间重建。三是引入联合损失函数促进网络进行训练,以实现血管像素和非血管像素之间更加平衡的分割。（3）针对眼底视网膜图像的低对比度、血管复杂的形态学结构以及现有大多数算法分割结果中普遍存在血管边界模糊、噪声明显和微血管分割不准确等问题,提出一种轻量级高分辨率网络模型（LHR-Net）来提升对视网膜血管的分割性能。LHR-Net由一条高分辨率主路、两条低分辨率支路和一条多尺度特征提取支路组成,并在该模型中引入激活前残差块以增强网络的表示能力。为了在高分辨率主路中产生丰富的空间和语义信息,促进微血管更好的预测,将设计的并行通道注意机制嵌入其中。此外,采用不同扩张率的空洞卷积来提取血管的多尺度特征。本文在公开的眼底数据集上对上述三种算法进行了验证,结果显示,三种分割算法能够分割出更加精细、完整的血管结构,具有较高的灵敏度,取得了比现有大多数算法更好的性能。