视网膜血管作为人体微循环系统的重要组成部分,糖尿病、高血压等心血管疾病会造成血管的形态变化,医生可以以眼底血管图像为依据,判断患者的患病类型和严重程度。因此,从彩色眼底图像中提取出视网膜血管,在心血管疾病的预防和分析中起着重要的作用。人工视网膜血管分割方法耗时且代价昂贵,不仅需要大批眼科专家,也无法在全国范围内筛查,所以需要依托于自动分割技术。现阶段已经提出大量自动分割方法,然而视网膜血管极为复杂,不仅具有高曲率的同时毛细血管众多,并且存在病灶干扰,加上眼底相机捕捉视网膜图像有一定的局限性,导致视网膜血管提取十分具有挑战性。于是,本文为探索并解决上述难题,做出以下研究:（1）为应对视网膜图像固有特点对分割造成的影响,本文采用预处理策略来解决此类问题,探讨了通道加权、归一化、CLAHE、Gamma矫正和双边滤波的Retinex算法对图像增强的不同效果。从预处理效果来看,通过将这些方法结合可以有效提升血管边缘的梯度变化,并消除部分噪声。从分割结果来看,预处理方法可以提高算法的评估结果。（2）针对血管形态结构复杂、语义信息丰富特点,提出一个多特征融合的U型视网膜血管分割算法。首先通过预处理获得血管增强、亮度提升的图像,然后将裁剪的图片输入U型网络进行训练。该网络采用稠密卷积块,以实现特征复用;加入SE和AGs注意力模块,抑制提取背景信息;并且为U型网络底层设计了一个多路特征蒸馏模块,有针对性的提取多尺度的血管语义信息。实验结果表明,该算法评估指标均优于U-net算法。（3）考虑到现有算法存在的微小血管细节丢失和病灶信息误判的问题,提出一种基于改进HRNet的血管分割算法。该算法继承了HRNet网络高信息交换率的优势,利用可变形卷积自适应增强了网络对血管像素的敏感性,并且设计的远距离注意力模块和多尺度特征提取模块,缓解了误分割问题,提升了网络的稳定性。实验表明,HRNet相对于U-net网络可以分割出更多的毛细血管,但是误分割区域较多;而改进的HRNet网络不仅保留毛细血管,而且大幅降低了背景像素的误判。