早期通过眼底图像检查获取视网膜血管的病变情况是预防和筛查相关疾病的重要手段,但由于眼底视网膜血管结构错综复杂,仅仅依靠专业人员手动提取视网膜图像中的血管非常耗时费力,这给相关疾病的快速诊断带来了极大的困难。因此,实现视网膜血管自动化分割在现代医学中有重大应用价值。视网膜血管的结构复杂、血管形变程度大且存在大量噪声干扰,导致传统算法的分割精度和速度无法满足视网膜血管分割的临床应用要求。近年来,深度学习技术在医学图像分割领域内取得了显著成效,分割精度和速度相比于传统方法提升明显。本文在对国内外视网膜血管分割方法以及深度学习技术进行了充分调研的基础上,对基于深度学习的视网膜血管分割方法展开研究,主要研究工作和研究成果如下:首先,提出了一种结合CNN的改进深度森林视网膜血管分割算法。该算法针对早期基于机器学习的视网膜血管分割算法需要手动提取特征的问题,提出了一种融合了机器学习模型和卷积神经网络的视网膜血管分割算法,通过融合卷积神经网络与级联森林的优势改进了原始深度森林算法,并在视网膜血管分割任务中取得了超过大部分传统方法的性能。其次,提出了一种基于全卷积神经网络的视网膜血管分割模型——DCU-Net。DCU-Net的整体结构通过级联两个U-Net网络建立,引入了可变形卷积构建特征提取模块来提高模型对血管形变的建模能力,并使用残差通道注意力模块对U-Net进行连接来提高U-Net网络之间的信息交流效率。实验结果表明,DCU-Net中提出的残差通道注意力模块和残差可变形卷积模块对提高视网膜血管分割精度有很大作用。然后,提出了一种高效的视网膜血管分割模型——ECU-Net。ECU-Net在DCU-Net的基础上进行了三点改进:第一,提出了一种结合边缘注意力模块与高效通道注意力机制的特征提取模块,以提高模型对血管结构的识别能力;第二,设计了一个上采样融合模块用于提高模型浅层纹理信息与深层语义信息的融合效率;第三,利用多尺度通道注意力模块连接U-Net以实现高效的特征提取。相较于目前已有算法,ECU-Net算法在多项评价指标上达到了最高水平,在医疗领域具有一定的应用价值。最后,对本文所做的工作进行了总结,并对本文工作存在的不足之处进行了分析,在此基础上对视网膜血管分割未来的研究方向进行了展望。