视网膜血管的异常变化与糖尿病、高血压等很多的疾病都有着较强的关系,医生可以通过分割得到血管的有关信息进行早期预防和辅助诊断,而人工分割效率较低,难以满足实际需求,因此计算机辅助诊断成为了一种关键的技术。近年来,深度学习在各个领域中的表现都很突出,利用卷积神经网络完成语义分割任务也逐渐形成了研究热潮,并且不断涌现了很多新的方法。其中,UNet作为语义分割的经典方法之一,在医学图像分割中有着良好的性能,特别是对于数据集较小的情况下也能表现出色。但是现有的方法对眼底血管的分割缺乏足够的精确度和识别能力,本文将对此进行改进,提出了一种新的卷积神经网络算法CRAUNet（Cascaded Residual Attention U-Net）用于视网膜血管的准确分割,并基于DRIVE和CHASE＿DB1两个数据集训练模型。该分割方法主要分为图像预处理、模型构建和图像后处理三个部分。（1）预处理过程包含图像质量增强和数据增强。其中,图像质量增强是对RGB图像先后进行灰度转换,限制对比的自适应直方图均衡化、伽马矫正的操作,用于增强血管的对比度,使网络提取的特征更显著。数据增强是通过裁剪成小块后做水平翻转、垂直翻转和随机旋转的操作,实现训练图片数量增加,避免因数据不足导致过拟合。（2）模型构建由以下三步构成:一,结合残差连接和Dropblock正则化机制的优势提出了一种新的残差模块,缓解网络的过拟合现象,同时也解决了UNet中感受野不足的问题;二,本文受到注意力机制的启发提出了新的通道注意力模块,并融合两个相邻尺度的特征图,获得更丰富的语义信息后,指导浅层特征图重新分配特征权重,从而重新分配后可保留有价值的特征,提高眼底血管的分割精度。三,利用深度监督的思想,串联两个分割网络,用交叉熵损失函数来实现辅助分割,使预测结果更加精确。（3）后处理采用滑动窗口的方法,将预测的小图恢复成原始测试集图片。基于此,本文逐步验证了各个模块的有效性,最终ROC在DRIVE和CHASE＿DB1的值分别为98.30%和98.64%。另外和其他先验方法进行对比,并结合可视化后的细节图,说明本文模型具有更好的血管连通性和分割性能。