视网膜眼底图像血管分割具有重要的临床应用价值,然而,当前基于深度学习的分割方法还存在着许多不足,如微细血管的分割质量不够好,血管容易出现断裂和缺失的现象,分割的准确率和灵敏度等指标有待于进一步提升等。针对上述不足,本文提出了一种新型分割网络模型AMSFU-Net,与其它方法相比,微细血管的分割质量得到了很大的提升。另一方面,我们将所提AMSFU-Net模型作为生成器,同时设计了新的生成对抗学习策略和损失函数,提出了眼底血管分割生成对抗模型RetinalGAN,在眼底血管分割问题上超越了许多基于GAN方法的性能,且我们通过对抗学习进一步提升了AMSFU-Net模型的鲁棒性。本文的主要研究工作和贡献点包括:（1）在AMSFU-Net中,我们提出了面向编码和解码阶段的两种注意力模型,依据特征的重要性对其权重进行了调整,实现了特征的重标定,使得模型重点关注血管特征图的重要区域和位置,提升模型血管分割的精确度。（2）我们设计了多尺度的特征提取与聚合模块,借助不同扩张率、不同核大小的空洞卷积的组合获得了多种不同感受野大小的多尺度特征,该结构有利于模型识别出不同形态、粗细的血管结构。（3）在AMSFU-Net的编码路径中,我们对多个不同编码阶段的特征图进行了块嵌入（patch embedding）,获得了多个尺度的tokens特征序列,并通过Transformer模型来建立多个尺度特征序列的全局上下文信息的依赖关系,提升模型对微细、结构复杂血管的分割能力。（4）我们将基于创新点（1）（2）和（3）所提出的AMSFU-Net作为生成器,同时设计了一种二分类的判别器模型,通过基于图像对的生成对抗策略,为生成器和判别器各自设计了新的损失函数和训练策略,提出了Retinal-GAN模型,提升了传统GAN方法的血管分割质量和指标,分割出的微细血管显得更加的清晰和连续。从实验结果上看,我们的AMSFU-Net模型在DRIVE数据集上的准确率和灵敏度分别达到了96.26%和83.92%,在STARE数据集上则分别达到了97.30%和81.24%。在以AMSFU-Net模型作为生成器的基础上,我们提出的Retinal-GAN模型在DRIVE数据集上准确率和灵敏度分别达到了96.60%和84.11%,在STARE数据集上则达到了97.43%和83.22%。总的来说,我们提出的基于U-Net和GAN的模型在一些分割性能指标上要高于多个现有的方法,分割出的血管缺失和断裂的情形相对更少,血管结构更加的清晰,对一些相对复杂的血管如微细血管等的分割效果也更佳。