白内障、青光眼和糖尿病视网膜病变等眼科疾病是导致失明的主要疾病,早期发现病灶位置非常重要。视网膜图像分割技术能够有效地提高诊断的效率和准确率。近年来,许多国内外研究人员利用传统的机器学习方法以及深度学习方法对医学图像进行自动分割并取得了很多研究成果,其中深度学习方法的分割结果普遍优于传统机器学习的方法,但应用深度学习方法对视网膜血管图像做分割仍然存在以下问题:1.卷积神经网络学习眼底图像特征时下采样操作同时也过滤掉了一些有用的信息,模型的上采样难以恢复低层次的空间细节信息,丰富的空间信息和语义信息无法同时满足,导致模型对细小血管和病灶区域的分割精度较低,含有较多背景噪声;2.传统的双尺度分割网络中的两个分支的基线网络均为深度卷积神经网络构成,模型参数量大,分割视网膜血管图像耗时长,不利于临床辅助诊断。针对以上问题,本文提出了基于注意力机制和卷积神经网络的视网膜血管图像分割模型。论文研究的主要内容如下:（1）提出了一种基于多尺度残差注意网络（Multi-scale Residual Attention Network,MRA-UNet）的视网膜血管图像分割模型。该模型结合残差思想和注意力机制对U-Net网络进行改进。首先,将U-Net的输入改为多尺度输入,使得网络能够学习到不同尺度下的特征,增加网络的鲁棒性。其次,利用改进后的残差注意力模块对眼底图像进行下采样提取特征,让网络有针对性的学习血管的特征。随后将下采样过程中残差注意模块的输出与U-Net底部的特征图进行信息聚合,进一步丰富上下文语义信息。最后,在上采样结束时对特征图进行空间激活,提取特征的同时也有效地突出血管末端和细小血管的边界信息。（2）在MRA-UNet的基础上,为了进一步提高网络的分割性能,提出了一种基于双分支尺度注意网络（Bilateral Network With Scale Attention,Bi-SANet）的视网膜血管图像分割模型。该模型将语义信息和空间信息分成两条路径提取。具体来说,提出了一个具有粗分支和细分支网络的双边分割网络。同时,将不同大小的切片图像输入模型,提高模型对图像不同级别语义信息的提取能力。为了提高粗分支网络的语义信息提取能力,在下采样末端卷积层后加入了多尺度注意模块。该模块对每个下采样块的输出进行尺度自适应选择,提高上采样中信息恢复的针对性。将传统的细分支网络用一个模块来代替,该模块主要用不同扩张率的卷积层来弥补粗分支网络丢失的空间信息。在提高网络分割能力的同时,减小了它的计算量。最后使用信息聚合模块去聚合粗分支和细分支的不同水平信息。（3）在三个公开的视网膜图像数据集上对本文提出的模型进行了训练和测试,这三个数据集是DRIVE,CHASE和STARE。通过在DRIVE、CHASE和STARE数据集上的实验,MRA-UNet的准确率分别达到96.98%、97.58%、97.63%,特异度分别达到98.28%、98.54%、98.73%,F1分数分别达到82.93%、81.27%、84.22%。实验结果表明,与一些最新的方法相比,MRA-UNet提升了视网膜血管图像分割的精度。Bi-SANet的分割准确率分别达到96.93%、97.58%、97.70%,特异度分别达到97.72%、98.52%、98.94%,F1分数分别达到83.82%、81.39%、84.36%。Bi-SANet在提升视网膜血管图像分割性能的同时,模型对细小血管和病灶区域的分割结果也有了一定的改善。