眼底图像中的视网膜血管是人体重要的反射区,可以根据视网膜血管的病变程度,了解其他部位的疾病。随着深度学习人工智能技术的发展,计算机技术辅助医疗疾病的诊断已成为一种趋势。本文对图像分割以及视网膜血管分割的国内外现状进行了深入的总结,介绍了深度学习视网膜血管分割相关的理论知识。目前视网膜血管分割方法还存着分割准确率不高、灵敏度较差、错误识别分割区域等问题。针对这些问题,运用深度学习方法,对视网膜血管进行分割。主要从下面几个方面进行研究:（1）基于深度学习的视网膜图像分割,需要大量数据作为支持来训练模型。针对视网膜眼底图像数据集大多是小样本数据集,训练网络困难的问题,提出了将数据集图像分为小的patch块的方法,增加训练样本的总量。（2）提出了一种基于深度学习的视网膜血管分割网络-TS-Net,它在保留了U-Net编码解码结构的基础上,加入了形状先验,修改了卷积块模块。形状先验将密集像素信息特征和形状走向特征相融合,产生了细化的分割结果。在训练的过程中,为了防止TS-Net网络过拟合,在修改后的卷积块（Improved Dropout Block）中,用结构化的Dropout代替了原有的drop out。设置实验以及评价指标与其他网络进行对比,实验表明,TS-Net网络实现了视网膜图像的分割,并达到了理想的效果。（3）在TS-Net网络的基础上,增加了空间注意力模块,加强视网膜血管空间特征信息的表达以及空间维度上各个点的特征贡献,并抑制一些不重要的空间特征信息。将TS-Net网络与修改过的TS-Net网络进行对比。综上所述,本文对眼底图像中的视网膜血管进行了分割,提出了基于深度学习的TS-Net网络。通过实验表明,TS-Net网络在Acc、AUC、F1-score有所提高,ROC和值分别达到了0.98和0.89以上。改进后的TS-Net网络,与之前的网络进行对比,在视觉效果上要更好。