人类健康水平与医疗科技的发展密不可分,智能医疗是提升我国医疗水平,解决医疗资源浪费及合理配置医疗资源的重要途径,也是我国近年来大力发展的新兴技术。而眼底视网膜血管网络作为目前唯一可以直接进行无创观测的人体血管网络,对于判断人体的健康状况具有重要意义。眼底视网膜影像可以反应出许多眼部疾病及全身性疾病的早期症状,这对于疾病的早期诊断具有重要意义。医学影像分割可以为疾病诊断提供一定参考,在计算机辅助诊断中具有重要地位,也是近年来热门的研究方向之一。本研究主要围绕视网膜血管分割展开,主要研究内容如下:首先,由于眼底视网膜图像光照条件差,背景中组织结构复杂,本文先通过图像预处理方法使血管的显示效果更加清晰。图像预处理的目的是突出血管细节,淡化背景对血管分割的影响,同时加速神经网络的运行速度。预处理操作的流程包括灰度转换,标准化,限制对比度自适应直方图均衡,Gamma值校正四个步骤。其次,由于医学影像获取难度大,人工标注成本高,采用局部图像策略,在模型训练阶段,通过随机取中心点的方式在完整图像上取多张固定大小的局部图像,用局部图像作为新的训练集供模型训练。在测试阶段通过滑动窗口的模式以固定步幅在测试图像上进行多次连续且部分重叠的采样,将采样后的图片用于模型测试,并将重叠部分通过多次预测取平均值的方式提升预测效果。然后,基于自注意力U-net网络,通过自注意力机制构建全局信息模块解决了局部连接导致的长距离信息无法高效传递问题。并通过调整Q变换输出尺寸的方式使全局信息模块可以通用于降采样模块与升采样模块。最后,通过实验论证了本方法的可行性,实验结果显示本方法AUC为0.9887,能够较好的将血管从背景中分割出来。并对分割结果的细节部分进行进一步分析,证明本文方法在面对视盘高亮区域、低对比度区域及病变渗出物的干扰时具有一定适应能力。