近年来,随着生产力能力的飞速发展,生活水平逐渐提高,健康问题成为了当下人们关注的重点问题,尤其是视网膜眼底血管疾病成为了困扰当今世界千千万万人的主要眼科疾病。视网膜血管的长度、宽度、弯曲度、分支模式和角度等特有的医疗属性,可以用作诊断、筛选、治疗和评估各类心血管和眼科疾病。随着深度学习的快速发展,深度神经网络已经在计算机视觉任务和应用中展现出强大的特征提取能力,尤其是在医学图像分割领域上,效果十分显著。但是在很多医疗应用环境中,采集的医疗图像往往分辨率很高,并且在图像中存在较多的噪声,同时由于光线和设备的影响,图像中一些不明显的或者不完整的物体,来自主导的显著对象的上下文将无助于标记不明显的对象.其次,医疗图像中的目标物体具有复杂的特征,由于隐私以及专家标注成本巨大等因素,很难收集到足够的有标注数据,导致深度学习算法无法获得足够的标记数据训练可靠的模型。本文提出了一种基于多尺度融合的无监督领域自适应对抗学习方法,将特征提取器提取的局部特征与解码器得到的全局输出同时输入到领域判别器中,从多个尺度考虑医疗图像的特征分布,减少源域与目标域之间的分布差异,从而提升图像分割的性能。首先针对医疗图像的特点进行分析,结合眼底视网膜血管医疗图像样本少、噪声多、标注难等问题,提出了将深度神经网络与对抗学习相结合的方法,同时还考虑了多尺度融合对模型的影响,最后应用到无监督领域自适应中,以此实现在医疗图像上达到令人满意的语义分割。