随着人们生活方式的改变,各种电子产品已经渗透到生活的方方面面,各种不健康的用眼习惯及眼睛过度疲劳造成越来越多的眼部疾病患者。视力是人们获取外界信息的重要途径,一旦致盲,不可逆转,严重影响了人们的生活。各种眼部疾病会对眼底结构造成不同程度的改变,眼底图像是医生诊断眼部疾病最直接和有效的依据,因此进行眼底图像分析对眼部疾病的辅助诊断具有重要意义。眼底图像增强与分割是眼底图像分析的先决条件,也是图像处理领域的经典难题,基于此,本文对眼底图像进行了以下研究:其一,为了准确的提取眼底视盘结构,提出了基于ShuffleNet和注意力机制的视盘分割网络。我们使用ShuffleNet基本单元取代U-Net网络中的卷积结构,使得网络兼顾“少参数”和“高精度”,并在此基础上使用注意力机制,对U-Net中快捷连接的低层特征进行增强或抑制,得到有用的特征用于视盘结构的提取,避免引入无关噪声。另外,根据平均Hausdorff距离和加权Hausdorff距离的思想,提出了加权平均Hausdorff距离,并作为约束项用在损失函数中,约束网络训练,产生更好的分割。最后使用DRIONSDB、RIM-ONE及DRISHTI GS1数据集进行实验,验证了所提网络结构和约束条件的有效性。其二,为了进行眼底图像去噪,便于医生诊断。去噪之前先对眼底血管进行增强,提出了改进的Frangi滤波算法,解决了传统Frangi滤波处理眼底血管时存在的血管断裂问题。然后对增强后的眼底图像进行去噪,提出使用Fista算法求解稀疏约束去噪模型,从而提高稀疏约束的去噪性能。最后运用DRIVE数据集对OMP和Fista算法求解的稀疏约束去噪模型进行对比实验,验证了所提算法更适合处理眼底图像的增强和去噪问题。其三,为了自动化的进行眼底血管分割,并尽可能的提高眼底血管分割的精度,提出了多尺度注意力机制的循环残差卷积网络,用于眼底血管分割。该网络对U-Net网络做了多种改进,首先,使用循环卷积取代标准U-Net网络中的卷积结构,使网络不仅可以从上一层学习特征,也可以从当前层学习特征。然后在卷积块中使用残差块,避免由于循环连接造成的深度加深而引发的“梯度消失”和“退化问题”。同样使用注意力机制进行低层特征的增强和抑制,并在此基础上加入了多尺度输入和预测的思想,使得网络尽可能的获取多尺度特征,并从多个尺度约束网络训练。最后,使用DRIVE、STARE和CHASEDB1数据集进行实验,验证了所提网络的有效性。本文针对眼底视盘分割、眼底血管去噪以及眼底血管分割的问题进行了初步研究,经过实验证明,所提算法可以较好的处理眼底视盘分割、眼底血管去噪以及眼底血管分割问题。