在医疗领域中,医学图像是对疾病进行诊断和治疗的重要依据,因此对人体内部组织器官的可视化结果进行分析有着重大的临床意义。其中医学图像的分割更是重中之重,通过对病灶区域或者目标组织的量化计算有助于进一步辅助医生进行疾病诊疗。眼底图像是现今医疗诊断中一个重要的依据,由于眼球中眼角膜,晶状体,玻璃体都是透明的,因此我们通常会获得比较清晰的眼底图像。这对于其进一步的处理分析有很大的帮助。视网膜上的血管是人体中可看见的血管,医生通常会通过这些血管的状态来了解人体内其他部位的血管情况。现在的很多疾病都能从眼底图像上反映出一些症状,例如糖尿病,高血压等,因此对眼底图像进行分割是医疗领域一项重要的任务。本文对眼底图像分割的特点和难点进行了分析,并且介绍了关于眼底图像分割的相关技术知识。随着深度学习在计算机视觉领域的快速发展,卷积神经网络等众多深度学习算法开始与医疗领域相结合,逐渐应用于各种疾病的临床诊断中。目前已经有大量的研究工作将不同的图像分割模型应用于各种医学图像数据集中,最后的实验结果表明,很多模型的分割效果都已经达到了与专业医生相当的水平,并可以真正应用到临床诊断当中。因此利用卷积神经网络对眼底图像进行分割是一项非常有意义的研究工作。由于医学图像有着数据量少且复杂性高的特点,使得编码器-解码器（encoder-decoder）结构在处理医学图像任务中取得了很好的效果。本文对编码器-解码器结构的神经网络和眼底图像分割进行了深入的研究,基于开源的眼底图像数据集DRIVE开展实验,提出了一种改进的编码器-解码器网络结构。该网络结构在编码器部分引入了多联级空洞卷积结构以满足对不同大小特征的提取,同时加入SE模块提升通道注意力,最后使用不同大小的平均池化来获得更多的上下文信息;在解码器部分使用反卷积来进行上采样以恢复特征图的大小。经过一系列实验,本文提出的网络结构在DRIVE数据集上取得了很好的效果,灵敏度（Sen）达到了0.8070,精度（Acc）达到了0.9563,AUC达到了0.9779,优于包括U-Net在内的很多网络结构,证明了改进的编码器-解码器网络结构能够有效的对眼底图像进行分割。同时本文在后期设置了很多本文网络的变体,进行了一系列对比实验来验证SE block的位置和数量对网络性能的影响,结果其他变体的性能都略低于本文网络。同时进行了消融实验,进一步证明了本文所提出的改进的编码器-解码器结构在眼底图像分割任务中的有效性。