眼底视网膜血管的不同形态（如直径、长度、分支等）具有十分重要的临床意义,可用于监测和分析各种心脑血管疾病和眼科疾病。自动分割眼底图像中的视网膜血管,可以有效帮助医生对各种心脑血管疾病和眼科疾病病人做出更全面的诊断和进一步的治疗,增加治愈的可能性。在研究过程中发现由于采集设备、拍摄角度和光照等的差异对眼底图像获取的影响,想要对眼底图像的视网膜血管进行精准分割就显得十分困难。而且现有模型存在分割过程中血管的特征与信息遗失严重,导致了视网膜细小血管分割效果仍然不佳。针对这些问题,本文做了如下工作:（1）通过灰度处理、归一化、限制对比度自适应直方图均衡化和伽马非线性化等方法处理眼底图像,以减弱采集设备、拍摄角度和光照的差异对眼底图像视网膜血管分割的影响。并采用逐步重叠采样方法对数据集进行扩增,为后面的图像分割提供充足的数据支撑。（2）构建了基于改进U-Net网络的分割算法（RCU-Net）。针对现有模型存在分割过程中血管的特征与信息遗失严重,导致视网膜细小血管分割效果仍然不佳的情况,在U-Net算法中引入残差模块和卷积注意力机制。通过在DRIVE数据集上实验,证明了加入残差模块和卷积注意力机制后,模型能够有效的分割出眼底图像中的视网膜细小血管。（3）构建了基于全卷积神经网络和全连接CRF的分割模型。为使临床应用效果更好,结合使用有监督与无监督算法,使其优势互补。构建了基于残差和卷积注意力机制模块混合的全卷积神经网络分割算法（RCBAM-Net）,减少了分割算法的参数,提高了分割效率。针对全卷积网络分割的结果可能存在感受域过大,边缘约束不足的问题,在全卷积网络分割后,使用全连接条件随机场对分割的结果进行精细化。通过实验得到模型的各项性能指标均有所提升。