近年来,由糖尿病引发的糖尿病视网膜病变严重影响了人们的健康,早期的诊断和筛查对视网膜病变的预防至关重要。研究表明,视网膜血管的形态结构变化与糖尿病视网膜病变的严重程度密切相关,如果能够从眼底视网膜图像中识别和检测出血管结构,将为医生的临床诊断工作提供有力支撑。因此,本文对糖尿病视网病变图像的血管分割展开研究,主要研究内容如下:（1）提出了一种基于血管特征池的视网膜血管分割方法。首先对眼底图像预处理以提高血管和背景的对比度,然后根据视网膜血管结构的解剖学特性（灰度值低、分段线性、横截面灰度分布呈高斯曲线等）设计了八种有效的血管特征,包括图像灰度、底帽变换、韦伯局部描述、2D-Gabor小波变换、线性检测、高斯匹配滤波、Frangi滤波和B-COSFIRE滤波,之后采用直接串联的的方式进行特征融合构建了具有强判别性的血管特征池,实现了对血管结构的准确表示,为后续方法的设计奠定了基础。（2）基于所构建的血管特征池,提出了有监督的多分类融合方法和无监督的分层聚类方法。对于有监督的分割方法,根据血管特征池和图像像素标签分别训练了决策树和Adaboost两种分类模型,并对两种模型的分割结果进行融合处理,达到了比单个分类器更好的分割效果。对于无监督的分割方法,非负矩阵分解能够在血管特征池中找到一组基,然后根据每个像素点在这组基上的映射系数对所有像素点进行分类处理。提出的分层聚类方法在每一层利用非负矩阵分解将所有像素点划分为两类,然后选择其中一类继续划分,重复此过程,直到达到满足的簇数为止。该方法不依赖有标签的图像数据,在DRIVE数据集上的测试结果验证了该方法的有效性。（3）提出了一种基于FC-DenseNet的视网膜血管分割方法。首先根据视网膜血管解剖结构的分布特点,对眼底图像进行分块处理,保证每个图像子块都包含血管结构,实现了图像数据的扩充;然后利用DenseNet分类网络中每一层与之前所有层相连接的特点提出了改进的全连接DenseNet分割网络,实现了小数据集的视网膜图像血管分割。所提出的网络结构简单,实验结果表明该网络收敛速度快,并且更多的细小血管被准确分割,利用随机梯度下降法训练的模型在测试集上达到了 96.9%的准确率,82.7%的敏感性,98.3%的特异性。