眼底视网膜动静脉的分割和分类是利用计算机对全身和血管疾病进行辅助诊断基础。本文针对视网膜图像对比度低和血管结构复杂多变等问题,结合深度学习和信息融合技术,对视网膜动静脉的自动分类方法进行了研究,主要工作如下:（1）针对视网膜中的细小动静脉血管分割问题,提出一种多尺度深监督全卷积网络,通过在U-Net中引入可形变卷积块自适应血管的形状和大小,通过残差连接更好地融合浅层细节特征和深层全局特征,通过融合深监督模块将不同分辨率的分类结果计算损失函数,使得网络更准确地学习特征表示。DRIVE数据集上的实验表明,该算法能够捕获更多的细节和更细的动静脉血管,对于细小血管取得了较好的分割效果。（2）针对视网膜中动静脉对比度低难以区分的问题,提出一种改进条件生成对抗网络,通过生成器与判别器之间独特的博弈训练方式,优化动静脉的差异特征学习过程。使用二值血管标签图像作为判别器的约束条件,使判别器学习到更多的血管特征,并计算Dice目标函数以解决数据不平衡问题。DRIVE数据集上的实验表明,基于生成对抗网络的算法对于视盘附近区域的动静脉血管分类取得了更好的效果。（3）为了同时对视网膜动静脉的整体结构和细小血管进行分割和分类,本文分别在特征级和决策级上提出了两种信息融合方法,将多尺度深监督全卷积网络和深监督高分辨率网络融合并应用于视网膜动静脉分类中。通过在高分辨率网络中加入深监督模块约束网络中间层更好地学习特征表达。通过特征融合网络和自适应权值决策融合将两个网络的优势结合。DRIVE数据集上的实验表明,信息融合的方法能够在完整分割出动静脉空间结构的同时,正确提取出细小的动静脉血管,从而提高分类性能。通过在DRIVE数据集上的相关对比实验,验证了本文提出的几种模型算法可以高效地完成眼底视网膜动静脉分类任务,能够为基于眼底图像的疾病诊断提供技术支持。