眼底视网膜血管的病变可以反映出很多全身性疾病,通过观测眼底血管变化来协助视网膜疾病的早期筛查具有重要意义。视网膜血管分割算法作为视网膜疾病自动筛查系统的核心组成部分,其性能的优劣直接关系到整个系统的性能。目前,国内外研究人员已开发出很多视网膜血管分割方法,但大都不能满足临床眼底检测的要求。因此,研究出能够满足实际应用的视网膜血管分割方法对临床眼科研究具有重要的理论价值和现实意义。本文基于上述应用需求,并结合眼底视网膜血管的自身结构特点,研究了一种特征提取和基于监督学习的视网膜血管分割方法。首先,分析了视网膜图像的RGB通道,选取绿色通道作为后续处理对象。再通过直方图均衡化(HE)和受限对比度自适应直方图均衡化(CLAHE)两种方法对视网膜图像做增强处理,发现CLAHE对视网膜图像的增强效果要更好。为减少相机获取过程噪声的影响和无效信息对血管分割的干扰,对处理后的图像感兴趣区域(ROI)做了膨胀处理并设计了基于YIQ颜色空间模型的眼底视场提取(FOV)方法。然后,在分析生物视觉感受野数学模型的基础上,深入研究了一种基于COSFIRE滤波模型的特征提取方法,与绿色通道共同构建了一个三维特征向量库。最后,在特征提取的基础上,讨论分析了两种简单参数调优的监督学习算法对视网膜血管分割的效果,分别是K近邻算法、贝叶斯高斯混合模型。同时,将本文算法与其他一些现有的算法进行比较,证明了本文算法的有效性。