在国内有超过4亿的慢性眼病患者,而临床医师人数远远不足,社区也缺乏自动筛查的设备,导致越来越多的早期患者无法通过视网膜筛查确诊。现如今深度学习凭借着大样本、高精度在各个领域均有所建树,但在因为医学领域中患者样本虽然多、但人工标注难度高、花费大,导致带标签样本难以获取。同时由于健康人的样本数据获取容易,各种重症样本难以获取且形态各异,视网膜血管分割的公开数据集大多存在健康人样本与患者样本不平衡的问题,不平衡的样本集用于训练对网络泛化有抑制效果。对视网膜图像数据增强的研究发现根据训练集中稀缺样本的基数缩减训练集总数而将其中不同类别的样本数量拉到一比一的比例,能够简单有效地实现样本集平衡且保持了一定的信息,同时将样本集平衡问题转变为少样本学习问题,进而解决样本稀缺问题。对U-Net进行研究后发现其提出的跳层连接机制对医学图像处理有天然优势,但仍不足以弥补少样本带来的性能下降。后续对生成对抗网络的研究发现的其零和博弈思想能够在不增加网络复杂度的前提下通过对抗提升网络性能。将生成对抗网络与U-Net结合后,证明该思路可行且弥补了生成对抗网络的梯度消失等缺陷。本文根据以上研究基础提出一种基于生成对抗网络的少样本视网膜血管分割方法,生成对抗系统中的生成器使用针对视网膜血管分割而改进的U-Net,生成对抗系统中的判别器使用改进的VGG16神经网络,负责与生成器构建起对抗系统,迫使生成器在判别器的约束下优化。在实验中分别在DRIVE数据集和混合HRF数据集上进行,训练集仅有类平衡后的6个样本,测试集保持不变。该方法在这两个数据集下的分割性能比DU-Net和Iter Net更为优秀,与使用完整数据集训练的DUNet和Iter Net分割性能相比准确率仅有不到1%的差距,与使用完整数据集训练的U-Net分割性能相比准确率略微提高,同时网络模型小,训练与测试速度快,便于临床应用时在终端设备中实现,证明这种针对少样本视网膜血管分割的方法的有效性,在解决样本稀缺与样本中类不平衡问题上给出了新的解决思路。另外,在对照实验中使用类不平衡的训练集后发现无论是健康人样本过多还是患者样本过多均对网络分割性能有较强抑制效果,证明训练集类平衡是提高视网膜血管分割精度的前提之一,进一步肯定了解决类不平衡问题的重要性。