近年来随着深度学习的迅猛发展,卷积神经网络因其强大的特征提取能力被广泛应用到计算机视觉任务中。基于卷积神经网络的全连接神经网络(Fully Convolutional Network,FCN)是一种被广泛应用于图像分割任务的深度学习方法,但在一些医学图像分割任务中还未达到预期效果。基于FCN的U-Net模型在生物医学图像分割任务中取得了更好的分割结果。目前基于U-Net的深度学习方法已经成为图像分割任务中主流方法之一。但由于图像质量、目标大小形状各异、相似结构混淆、数据不平衡等因素,U-Net模型对于细颗粒度分割的准确度还有待提升,因此研究深度学习U-Net模型理论,进一步提升其细颗粒度分割效果,具有重要的理论及其应用价值。本文研究了深度学习U-Net模型理论知识,提出了两种U-Net改进模型,具体的:一、深度循环残差 U-Net(deep recurrent U-Net,DRU-Net)模型:本文第三章,受残差学习模型启发,我们使用循环残差块(recurrent residual convolutional neural network block,RRCNN block)替代经典U-Net模型下采样和上采样路径中的普通卷积层的操作,设计了 DRU-Net模型。相较于经典的U-Net模型,DRU-Net网络具有更深的网络,更强的特征积累能力,在细颗粒度图像分割中具有一定优势。二、加强残差U-Net(enhanced residual U-Net,ERU-Net)模型:对于细颗粒度图像分割任务,研究发现更多局部信息的提取会提高模型分割准确性,因此本文第四章提出了具有一条下采样路径和三条上采样路径的ERU-Net模型,该模型特殊的结构形成了三条U-path,三条U-path之间的特征融合使得模型能够捕捉更多的局部信息,从而实现更加精准的分割。本文应用这两种改进U-Net模型DRU-Net和ERU-Net模型分割眼底图像,在公开的数据集上,与经典U-Net、残差U-Net及已存在的一些方法相比。结果显示这两种改进模型DRU-Net和ERU-Net模型具有较高的AUC值。特别地,在局部对比度低、存在相似结构等一些挑战区域,DRU-Net和ERU-Net模型均能准确分割病灶。此外,损失函数的选取对模型性能具有一定的影响,本文最后一部分分析了 U-Net模型常用的损失函数本质思想,进行了初步的比较,为今后能够更好的选择合适的损失函数提供一定的参考。