眼底图像是糖尿病性视网膜病和高血压性视网膜病等不同视网膜疾病的有用诊断工具之一。眼底图像中视网膜血管的分割结果能够辅助医生诊断潜在患者的病情,帮助医生大大减轻工作量,对医生的临床分析具有重要意义。由于视网膜血管的独特性,如何更高效地实现视网膜的血管分割仍是一个研究难点。最近,卷积神经网络(CNN)被广泛应用,并且在医学图像分割中表现出很好的性能。本文基于卷积编码器-解码器结构,构建了两种不同的卷积神经网络,来提高分割结果,并在可公开访问用于血管提取的数字视网膜图像(DRIVE)的数据集上进行了评估分析。本文主要的研究工作如下:首先,本文在卷积编码器-解码器结构上添加了两种跳过连接,其中,长跳过连接将编码过程的特征图连接到相应层次的解码器,使得上采样过程能够同时获得高层语义信息和浅层细节信息;短跳过连接在不增加网络计算复杂度的基础上,使网络通过学习残差映射来得到更好的收敛效果。实验结果表明,添加了跳过连接的模型能得到更好的分割性能。其次,为了充分利用网络在编码过程中学习到的特征,在跳过连接的分割模型的基础上提出了多路径融合的整合方式,来对分割结果进行微调。分别对不同层次学习到的特征图进行上采样,然后将不同路径的结果进行整合,来实现端到端的分割。通过实验对比,多路径聚合的分割模型提升了分割结果的精确度和AUC的值。最后,为了降低无用特征和解码过程中噪声的影响,提出了基于Attention机制的分割模型。通过在编码器和解码器中添加不同的空间软注意力,对特征图赋予一定的权值系数进行参数的调整,使得特征图中的重要信息得到更多的重视,而抑制不重要的信息。实验结果表明,在提升分割性能的同时,模型对血管像素的敏感度也得到了有效的提升。