在医学临床诊断中,眼底视网膜存在着一定数量的毛细血管,其表征变化与许多疾病的并发症状有紧密联系,对这些血管的分布、形态的分析与研究是诊断部分眼部疾病和综合性疾病的重要依据之一。通过计算机对视网膜血管图像进行精准分割可以极大的减轻临床医生的工作量,提高分割任务效率、避免人为因素与主观因素影响,对医学辅助诊断具有深远意义。本文基于深度学习算法研究眼底视网膜血管的分割算法,设计了两种不同的网络模型,并在公开数据集DRIVE和STARE进行了大量的实验,实验结果显示两种网络模型有效的完成了分割任务。本文的主要工作包括:（1）针对眼底视网膜血管分割任务,本文探究了深度学习算法中全卷积网络的原理与应用方法。根据全卷积网络可以进行像素级精准分割图像的特性,对U-Net网络模型进行研究及改进。（2）为提升全卷积网络的整体感受野并增大细微血管分割准确度,本文提出了基于融合多尺度特征算法的视网膜血管分割模型IPDU-Net。该网络采用了对称的编解码网络结构,通过使用Inception多尺度特征提取模块代替网络中原始单一卷积层,增加特征在网络的移动流畅度;在池化层使用金字塔型的空洞卷积,深化提取上下文信息。实验表明改进后的IPDU-Net具有较强的分割血管的能力和精准度。（3）为更一步的提升眼底视网膜血管分割水平的各项指标与细微血管分割的精准度,本文提出了以U-Net网络为基础的AttR2U-Net。该网络融合了残差学习、二次循环卷积与注意力机制,将残差学习结构与二次循环卷积相融合为R2CU模块,在上下采样过程中深刻提取图像特征,增大感受野,并有效防止了随着网络深度的增加产生的梯度问题;将注意力门AGs引入跳跃连接,粗细过滤器相结合的方式增大了训练网络模型对视网膜血管的细粒度提取,提高了模型的抗噪能力。通过实验验证该网络模型在分割任务中有着更优异的表现,可以解决精准度与敏感度不够、细小血管分叉处分割断裂的问题。