近年来,随着数据集的增长和计算机运算能力的提升,深度学习技术迅速发展,在医疗图像分析领域中的应用也越来越广。其中,语义分割技术在治疗计划、疾病诊断、病理研究等多种应用场景都发挥着巨大的作用。对于医疗图像而言,为了准确的识别图像中各物体的类别,不仅需要具备专业领域知识背景的医疗专家,而且会耗费该专业权威一定的时间。而通过对语义分割技术的研究,可以实现自动地对输入的医疗图像进行精准的分割,从而方便医生做出更准确的判断,并设计出更好的治疗计划。在本文中,围绕视网膜血管分割问题,提出了基于残差递归卷积和金字塔池化的分割模型与基于金字塔空洞卷积的分割模型,主要研究内容如下:(1)提出了视网膜图像的数据预处理及取块方法。由于本文所使用的视网膜图像数据集是通过彩色眼底摄影技术得到的,存在对比度低、受器材影响大等缺点,从而提出了针对视网膜图像的数据预处理方法来改善图像质量。同时,由于视网膜图像的公开数据集一般都比较小,难以满足网络模型训练对数据集大小的要求,因此,在本文中采用了取块的方式来实现数据增强。(2)提出了基于残差递归卷积和金字塔池化的分割模型。通过使用递归卷积来取代普通卷积,有利于提取更丰富的语义信息。通过利用残差网络,既可以避免参数更新时梯度消失的风险,又可以加快网络的收敛速度。而通过融合金字塔池化模块,有利于多尺度提取视网膜图像中的上下文信息和更深层次的语义信息,进一步改善分割结果。(3)提出了基于金字塔空洞卷积的分割模型。由于视网膜图像具有对比度低、存在许多细小血管等特点,而传统的池化操作会导致图像分辨率的下降,从而造成细节信息的丢失,本文设计了一种金字塔空洞卷积模块,实现了在提取更丰富的深层语义信息的同时可以减少浅层细节信息的损失。通过在DRIVE和STARE两个视网膜公开数据集上进行实验对比发现,和现有的许多视网膜血管分割方法相比,本文提出的基于残差递归卷积和金字塔池化的分割模型与基于金字塔空洞卷积的分割模型都具有更好的性能。