眼底视网膜血管图像作为人体唯一一处不需要侵入性手段就可以获得的血管图像,具有较高的临床价值。眼科以及内科的专家可以根据视网膜血管呈现的不同特征,较为精准的判断多种疾病。然而,在实际的应用中,由于视网膜血管结构复杂以及采样光照和成像设备的影响,常常导致眼底血管图像难以观察,增加了医生的工作难度。因此,研究出一种自动化的高精度视网膜血管分割算法,对于目前的临床辅助诊断非常重要。本文基于深度学习技术对视网膜血管分割算法进行相关的研究。结合近年来的语义分割领域的相关研究,提出了使用深度学习算法对眼底视网膜血管进行分割。本文的主要研究工作有以下几点:（1）由于视网膜血管图像具有较多的细节信息,采用U-Net模型进行分割容易造成一些细小血管的丢失。因此,本文以U-Net网络模型作为骨干网络,提出了一种基于注意力机制改进的视网膜血管分割网络模型ASR-UNet。消融实验和对比实验表明,采用注意力机制可以在一定程度上提高网络模型的性能,提高模型对细小血管的分割精度。实验结果表明,ASR-UNet能够在DRIVE数据集以及CHASE＿DB1数据集上分别取得0.9696以及0.9637的准确率。（2）由于传统U型结构的网络具有一定的局限性,如图像在模型中传递的信息流有限,抗干扰能力差等问题。结合上章对U-Net模型的改进措施,根据模型特点我们使用了U-Net的改进模型Ladder Net和通道注意力机制相互结合,并使用了多尺度特征融合模块将多个路径中的信息流进行融合,在多个尺度上提取视网膜血管的特征。通过对比实验和消融实验的结果表明,本文的各种改进措施均能够有效提升模型的分割效果,在DRIVE数据集以及STARE数据集上分别取得了0.9698以及0.9674的准确率。通过在DRIVE数据集、CHASE＿DB1数据集以及STARE数据集上进行的对比实验表明,本文提出的神经网络模型均能有效的分割眼底视网膜血管,并且相较于近年来的视网膜血管分割网络,本文提出的网络模型在各项指标上表现较好。同时,本文算法在分割模型中的各种改进措施为后续的研究提供了思路。