微动脉瘤（Microaneurysms,MAs）是糖尿病视网膜病变（Diabetic Retinopathy,DR）的早期症状表现之一,准确高效地检测出微动脉瘤的位置和大小,对糖尿病视网膜病变的诊断和治疗具有重要意义。荧光素眼底血管造影技术（Fundus Fluorescein Angiography,FFA）是当前眼底疾病诊断检查的重要手段之一,其为糖尿病视网膜病变的诊断提供了重要的数据资源。微动脉瘤在FFA图像中表现为较小的圆形亮斑结构,人工标注微动脉瘤费时、费力,且出错率较高。故此,借助图像处理技术提高眼底微动脉瘤的分割效率和精度已成为辅助医疗的关键环节。本文归纳并分析了现有的微动脉瘤分割方法,并提出了面向FFA图像的眼底微动脉瘤的快速分割方法,具体内容包括:（1）兼顾FFA的异质性和MAs的多样性,提出一种改进匹配滤波的微动脉瘤分割方法（FFA-MF）受仪器性能,拍摄环境以及操作差异等影响,FFA图像具有显著的异质性。同时,MAs紧邻血管且面积较小,具有较强的不确定性。针对上述问题,本文提出了一种改进匹配滤波的微动脉瘤分割方法,包括:（1）利用顶帽变换和高斯滤波实现FFA图像的增强,提高微动脉瘤与背景的对比度;（2）利用匹配滤波和遗传算法实现微动脉瘤候选区域的分割;（3）利用形态学策略实现微动脉瘤的优化,提高微动脉瘤分割精度。将本文提出的FFA-MF方法与OTSU、区域生长、匹配滤波、全局阈值、K-means、Fuzzy c-means以及人工分割结果进行比较,结果表明,本文提出的FFA-MF方法提高了微动脉瘤的分割精度,其分割结果近似于人工分割结果。（2）基于深度学习较强的学习能力,提出一种改进FC-Dense Net的微动脉瘤分割方法（MAs-FC-Dense Net）利用本文提出的FFA-MA方法实现了多源FFA图像的MAs分割,构建了微动脉瘤的样本库。为进一步提高微动脉瘤的分割精度和效率,本文基于FCDense Net103网络构建微动脉瘤自动分割的方法（MAs-FC-Dense Net）,包括:（1）通过比较分析不同层数FC-Dense Net网络对微动脉瘤的分割结果,选取FCDense Net103做为主干网络架构,该网络能够提取更深层次的MAs特征信息,为MAs的高精度分割奠定基础;（2）利用焦点损失函数改进FC-Dense Net103网络的损失函数,提高微动脉瘤的分割精度。通过消融实验和对比实验表明,本文提出的MAs-FC-Dense Net方法提高了微动脉瘤的分割精度和效率,且具有较好的鲁棒性。本文研究成果有望为医疗领域提供技术支持,提高微动脉瘤MAs的分割效率和精度,为预防和诊断治疗糖尿病视网膜病DR提供帮助。