眼底血管的结构和形态是诊断各类眼部疾病的重要依据。血管分割是临床诊断中不可缺少的工作,用计算机分析方法来实现眼底血管的自动分割,有效提升工作效率,节约医疗资源,具有很重要的现实意义。近年来,深度学习已经逐渐成为医学图像分割领域中的主流方法,U-Net网络因其对称的上采样和下采样过程,能获得更准确的分割效果,是目前最有效的医学图像分割模型。但是,在眼底图像血管分割任务中,由于视网膜中血管细小、位置分布不均匀,在U-Net网络提取血管特征的过程中,容易使位置特征丢失,进而导致在上采样过程还原位置特征时效果下降。基于此问题,本文在U-Net网络的基础上,对其中的skip过程进行改进,以此达到更好的分割效果,具体工作内容如下:1.针对U-Net网络深层位置特征获取困难的问题,在U-Net算法上增加位置加强模块,提出LE U-Net算法。位置加强模块使用空洞卷积获取图片多尺度位置特征信息,并将特征加入原有U-Net网络上采样过程。在不改变原有U-Net网络特征提取过程的基础上,为整个网络增加更多的特征信息。2.LE U-Net算法中上采样过程融合了三个特征,为了有效地分配三个特征在网络中融合时的权重,获得更精准的分割结果,在LE U-Net算法上增加注意力模块与融合模块,提出LEA U-Net算法。将注意力模块其融入skip过程内部,使网络可以训练注意力权重,从而调整skip过程权重占比,增加位置加强模块所占比重。使用融合模块将注意力模块与位置加强模块融入U-Net上采样过程。3.在DRIVE数据集上将模型进行对比试验。首先,为了改善图像效果,突出图像特征,使用灰度转化、限制对比度自适应直方图均衡化、gamma校正的方法对数据进行预处理,并通过实验分析几种预处理方法对血管分割准确度的提升效果。其次,本文将提出的两个算法与主流算法进行了对比实验。分析实验结果发现,添加位置加强模块的LE U-Net算法的分割效果优于U-Net算法。利用注意力模块和融合模块对LE U-Net中的三个特征进行权重分配后,LEA U-Net算法在准确率上有了进一步提升。