视网膜血管呈连续性的树状结构,其形态特征是眼科相关疾病诊断的重要依据。糖尿病、高血压以及青光眼等诸多疾病容易导致眼底血管病变,将视网膜血管分割技术应用于眼科疾病症状的定量分析中,在临床诊断中发挥着重要作用。然而,由于视网膜血管的形态结构复杂多变,尤其是在眼底中的毛细血管,光照不均和噪声的存在会使血管分割任务变得更加困难。手工进行眼底血管分割存在工作效率低、主观性强的问题,不仅费时费力,而且非常依赖眼科医生的专业性。利用视网膜血管自动分割技术辅助医生诊断,可以提高工作效率并消除主观因素的影响,具有现实的医疗诊断意义。可是,细小血管与背景区分度低、视盘边界误分割、硬性渗出物以及病理斑点的干扰是血管分割任务面临的难题。现阶段基于深度学习的眼底图像分割模型由于受网络结构的限制,导致细小血管分割不够精细且易出现病理误分割问题,存在漏检、误检的现象。为此,本文基于眼底图像固有的特点,设计建立适用性较好的视网膜血管自动分割框架,有效地提高血管分割精确度。主要工作如下:（1）针对现有眼底图像分割模型存在网络实际感受野远不及理论感受野导致细小血管分割不足以及无法捕获血管多尺度特征的问题,提出了多尺度注意力解析网络。该网络中的并行多分支结构和空间金字塔池化可以捕获血管多尺度特征,增加网络感受野的同时减少了眼底图像不同子区域之间的上下文信息丢失。设计的注意力残差块强化了血管特征,抑制了背景噪声,使网络靠近的输入层也可以获取全局感受野。在网络训练时,加入了助推器训练策略,增强了血管特征表示,加大了血管与硬性渗出物的特征区分度。（2）针对以U-Net为基础的网络模型不能自适应地捕获血管多尺度形态特征以及编码器和解码器进行跳跃连接时存在语义差距导致血管细节特征丢失的问题,提出了自适应注意力残差网络。与传统多尺度特征融合技术不同,该网络中的双重注意模块可以自适应地捕获血管多尺度形态特征信息,避免了手动设计卷积核、池化核主观因素的干扰。同时,特征拼接融合模块降低了编码器和解码器之间的语义差距,可以保留更多血管细节特征。设计的软注意力残差块融合了通道权重信息和空间位置信息,提取的血管特征更加丰富。实验结果表明,本文所提出的视网膜血管分割方法具有优异的血管分割性能,能够分割出更多细小血管且不易断裂,分割主血管的粗细得当,更接近于真实标签,在病理图像中仍然表现出较强的鲁棒性和泛化性,可以有效地避免光照不均、黄斑病变、硬性渗出物等客观因素的影响。在性能评价指标上,本文方法的灵敏度、F1值等关键评价指标更高,优于对比实验的方法,与现有的其他先进方法相比,存在一定的优势。