眼底视网膜图像血管结构的变化是早期预防、诊断、筛查和治疗相关疾病的重要依据,分割视网膜血管是一种无创检测眼睛和其他身体状况相关疾病的方法。传统手工分割方法耗时、繁琐、医生专业技术要求高,自动化的视网膜血管分割方法能够高效地诊断病情,具有重要的临床诊断意义。由于眼底图像的质量受采集设备、取样环境、照明亮度影响,若成像存在对比度低、背景像素不均匀且亮度不统一等问题,会使分割任务因原始图像的差异性而变的困难。另外,视网膜本身复杂的结构组成也是视网膜血管分割任务具有挑战性的因素之一。已有研究人员提出基于不同技术的视网膜血管分割方法,这些方法中基于卷积神经网络的视网膜血管分割方法表现突出。但这些方法仍存在特征信息提取不足、分割结果易受图像质量和病变区域等影响,造成网络模型捕获和恢复上下文信息能力不佳、分割精度低且有噪声等问题。针对以上问题,本文基于卷积神经网络设计了多尺度多分支卷积神经网络和反向融合注意残差网络,在公开的视网膜图像数据集上验证了网络模型的有效性。本文的主要研究内容包括:（1）提出一种多尺度多分支卷积神经网络模型MSMB-Net（Multi-scale and multi-branch network）,在视网膜血管图像上验证了该网络模型的有效性。在编码路径,多尺度上下文信息融合模块采用跳过连接和不同扩充率的空洞卷积充分融合和捕获局部上下文信息,提高网络特征提取能力的同时保持感受野范围内特征的相关性不变。通过多分支卷积模块组合不同感受野大小的卷积增强网络模型对全局上下文信息的敏感度。在解码路径,采用侧输出重构层聚合不同阶段的解码特征提升网络模型的学习能力。最后,基于注意力机制加强图像通道和空间维度的特征响应,更进一步提升视网膜图像血管分割的精度。通过消融实验验证各模块的有效性,与现有的先进方法进行对比实验,实验结果表明MSMB-Net在视网膜血管分割任务中能够达到良好的分割性能。（2）为增强视网膜血管图像的对比度,强化血管特征的结构,消除过多成像造成的噪音,提出一种有效的视网膜血管图像增强方法,为分割阶段创造良好的基础条件。同时,基于MSMB-Net进一步优化网络模型的视网膜血管分割性能,提出一种反向融合注意残差网络模型RFARN（Reverse Fusion Attention Residual Network）实现视网膜血管分割。在RFARN中,反向通道注意模块RCAM（Reverse Channel Attention Module）和反向空间注意模块RSAM（Reverse Spatial Attention Module）从通道和空间维度分别捕获细节特征,有效融合深层局部特征和浅层全局特征,保证分割后血管的连续性和完整性。RCAM利用反向思想捕获编码阶段丢失的边缘特征和残留的细节信息,RSAM协助恢复因上采样操作丢失的底层特征信息。在DRIVE、STARE和CHASE数据集上进行视网膜血管分割实验,实验结果证实RFARN的血管分割效果优于现有的一些模型,通过分析对比实验说明本文提出的方法提高了视网膜血管分割的准确性。