白内障疾病导致人类视力模糊,及时的诊断和治疗可以提高白内障患者的生活质量。后照明图像分割是白内障疾病检测的基础步骤。然而,大部分后照明图像分割任务由医生完成,耗时长,且有一定的主观性。计算机辅助诊断能够帮助医生快速定位晶体中浑浊区域的位置,为患者制定合理的治疗方案。目前有许多研究者致力于后照明白内障图像分割,聚类算法和深度学习算法在医学图像分割领域广泛应用。许多研究者针对后照明图像提出不同的改进算法,并取得了很好的分割效果,但是这些算法在分割精度上仍有很大的提升空间。针对后照明白内障图像存在灰度不均匀和背景与浑浊区域灰度接近问题,本文提出一种基于改进FCM算法的后照明图像分割算法和基于注意力机制和残差连接U-Net后照明图像分割模型。实验结果表明,本文提出的算法提高了后照明图像分割与分级准确率。本文的主要创新点如下:（1）提出基于改进FCM算法的后照明白内障图像分割模型。后照明白内障图像存在灰度不均匀和浑浊区域与背景区域接近问题,在灰度不均匀区域中,背景区域之间的平均梯度比背景区域与浑浊区域梯度小。本文算法利用这一特性,首先计算超像素图像每个区域与其相邻区域之间的平均梯度,然后求出每个区域与其属于不同聚类中心相邻区域的最小梯度来计算该区域的梯度信息。最后将超像素区域信息与梯度信息相结合,从而减少了图像灰度不均匀对分割效果产生的影响。在背景与浑浊灰度接近的区域中,浑浊区域与背景区域的梯度比严重浑浊区域与背景梯度小,本文算法利用这一特性,将最小梯度值归一化作为权值对图像区域信息进行加权,从而将浑浊程度较轻的区域划分为浑浊区域,提升了分割的精度。实验结果表明,相比于已有无监督分割和分级算法,本文提出的算法提高了后照明图像分割与分级准确率。其中,本文算法模型JCS和DSC相似系数相较于其它算法平均提高5.6%和5.1%。分级准确率相较于其它算法平均准确率提高23%。（2）提出基于注意力机制和残差连接U-Net后照明白内障图像分割模型。轻微的浑浊区域信息需要网络提取并保留准确的特征图信息,经典U-Net算法在连续卷积和非线性变换过程中,深层次的特征图灰度信息和位置信息会丢失,这使得提高后照明白内障图像分割精度变得困难。本文算法针对这一问题,在U-Net网络模型的跳跃连接加入注意力机制,并同时在编码层和解码层引入残差连接。引入注意力机制是为了在上采样过程中利用注意力门单元传输解码层低层级特征图相关空间信息和位置信息,将深层次特征图信息和浅层次特征图信息结合,从而使得网络能够学习到更多的特征图信息,但是注意力机制关注的是严重的浑浊区域,忽略了轻微的浑浊区域,为了使网络能够提取轻微的浑浊区域,本文在引入注意力机制的基础上使用残差连接来代替U-Net网络中连续两次卷积操作。实验表明,相比已有的深度学习模型和无监督算法,本文提出的算法提高了后照明图像分割和分级准确率。其中,本文算法模型JCS和DSC相似系数相较于其它算法平均提高,相比于其它算法平均提高4.26%和5.62%。分级准确率相较于其它算法平均准确率提高10.22%。综上所述,本文算法有效地改进了传统分割算法无法解决图像灰度不均匀和浑浊区域与背景区域灰度接近问题,为解决该类复杂问题提供了一种新的研究思路。