近年来,深度学习技术在智能医学图像处理、病历管理、专家系统等“智能+医疗”领域应用越来越广泛。在智能医学图像处理领域,语义分割技术在许多应用场景中发挥着重要作用,例如诊治方案的制定、病症的初诊和病因的探究等。其中,视网膜血管的语义分割是诊断眼科疾病和心血管疾病的重要参考,是当前的研究热点。然而基于深度学习的视网膜血管语义分割模型普遍存在同等对待所有特征的问题,导致占比多的背景特征在学习到的特征中占据主导地位,血管特征重要性被掩盖,模型灵敏度和预测精度低。另外,设计的深度学习模型越趋复杂,简化模型规模同时保证模型性能也是本领域的难点。为此,本课题就上述问题对基于深度学习的视网膜血管语义分割开展了深入研究,具体研究内容包括:（1）设计了一种基于补充信号g的混合注意力模块,通过在混合注意力机制中加入携带高层级语义信息的补充信号,从而提供更准确的通道注意力和空间注意力,该混合注意力模块实现了不改变卷积神经网络（CNN）结构就可使用的目标。（2）构建了一种基于混合注意力的视网膜血管分割模型。使用本文设计的混合注意力模块,根据特征主次分配相应权重,抑制无用响应,关注重要特征。识别视网膜血管分割特征同时实现血管位置的定位,并在DRIVE数据集中进行验证。结果显示有效提高了视网膜血管分割灵敏度和预测精度。（3）应用了一种减少模型参数的方法,得到了使用基于混合注意力和非对称卷积的视网膜血管分割模型。在本文提出的分割模型中引入非对称卷积模块,提高卷积单元对细血管检测的灵敏度,增加模型对旋转失真的鲁棒性,节省模型训练参数。通过在公共数据集DRIVE、STARE和CHASE＿DB1上的性能验证,与现有方法对比,本文提出的基于混合注意力和非对称卷积的视网膜血管分割模型,可以更准确地分割血管,尤其是细小血管,实现了模型参数量缩减的目标,节约了计算成本和存储空间。