视网膜是人眼最里层的结构，包括人体一些重要的生理结构。血管是视网膜图像中最主要的结构。许多疾病可以引起视网膜血管的形状和结构的改变，所以可以通过视网膜血管进行分析对一些疾病做早期的诊断和预防。传统的人工视网膜血管分割是一项即耗时又繁琐的任务。而且视网膜图像的固有特性使得视网膜图像血管检测有一定的困难。目前已有许多研究者提出了很多关于视网膜血管分割的方法，已取得比较好的效果。但这些方法中存在一些问题，主要是在低对比度的背景里会丢失一些细小的血管。因此研究和实现视网膜血管自动有效快速的分割具有重要的理论与实际意义。本文首先依据曲波变换(Curvelet变换)具有很强的边缘表达能力，提出了一种基于Curvelet变换的视网膜血管对比度增强的方法，通过修改Curvelet变换的系数，使重建图像达到图像对比度增强。具体方法是引进了一种非线性函数来修改视网膜图像Curvelet变换的系数，对小的Curvelet变换系数进行放大。这种非线性函数参数的选取依据图像Curvelet变换系数的一些特性。这种方法能够有效提高视网膜血管的对比度。然后，采用改进的高帽变换来对视网膜图像进行血管边缘检测，由于元素具有很强的方向性，为了能够更好的检测边缘，我们采用了形态学中多结构元素，再用形态学重构方法对检测出的血管边缘图像去除不属于血管树的伪边缘，同时尽量保留细小的血管。最后，采用了基于熵的阈值分割方法实现血管分割。本文方法在公开的DRIVE数据库上进行了实验和性能评价。实验结果表明本文方法能检测出所有的大的血管和很多细小的血管，检测出DRIVE数据库中的图像的算法运行时间在50s以下。所以本文的算法能够很快的检测出视网膜血管，并且准确率也很高。