眼底图像分析和处理技术的研究,对于各种眼科疾病乃至人体其他系统的疾病诊断都具有非常重要的临床指导意义。因此,对眼底图像进行糖尿病视网膜病变图像分级并基于病变级别对眼底图像解剖结构的重要组成部分之一的血管进行准确分割的研究是极具意义的。本文采用改进SqueezeNet v1.1对眼底图像进行分级,分别使用改进的FCN和半监督迁移降维Unet方法实现了血管分割。具体工作如下:（1）提出了基于改进的超轻量级SqueezeNetv1.1网络的眼底图像糖尿病视网膜病变分级方法。首先对眼底图像进行一系列预处理,将SLO（Scanning Laser Ophthalmoscope）图像进行分辨率调整并转变为伪彩色图像,随后进行了数据扩增进而解决了类不平衡问题;其次,依据四类糖尿病视网膜病变图像的特点,搭建了改进的超轻量级SqueezeNet v1.1深度卷积神经网络,实现了对病理图片的准确分级。（2）针对医学图像标记数据不足的问题,提出了一种基于迁移学习的全卷积神经网络血管分割方法。首先以数据扩增后的DRIVE数据集为输入;其次利用参数迁移方法,将在ImageNet上完成训练的VGG19的前五组参数（共13层卷积层）迁移至全卷积神经网络以完成预训练。经实验证明,在FCN32s,FCN16s,FCN8s之间采用了有参数迁移的跳跃结构,与无参数迁移相比准确率提升明显,约6.5%。（3）针对细小血管分割困难问题以及数据稀缺问题,提出了迭代的半监督迁移语义分割方法。首先提出了自身数据扩增裁剪的方法,将细小血管作为分割主体,并在重叠拼接方法中利用了像素间关系提高容错率,实现了分割结果的修正;其次针对数据稀缺以及病灶影响问题,结合迁移学习与特征学习提出了迭代的半监督迁移学习方法,通过简化的降维Unet网络学习特征进行迭代迁移,不断促使源域与目标域的融合,实现了数据集的合理扩增。实验结果表明,本文提出的算法能够更好地对细小血管进行分割,准确率达到97%,超越了人类专家准确率。