通过观察眼底视网膜血管系统可以很容易地诊断和追踪许多疾病,因为这些疾病（如糖尿病）会导致视网膜血管的形态学改变。系统性微血管和小血管疾病是糖尿病常见的病理改变,尤其是眼底视网膜血管疾病最为脆弱。视网膜血管还可以帮助精确定位视网膜的许多解剖结构。然而现在眼科医生从眼底图像手动注释视网膜血管系统来检查视网膜血管,这种手动分割是一项繁琐、费力且耗时的任务,需要技能培训和专家知识。此外,它基于经验,容易出错,缺乏可重复性和再现性。为了减轻他们从数千甚至数百万健康视网膜中筛查多种病变视网膜的负担,需要一个自动、高性能的计算机辅助诊断（CAD）系统来进行预筛查和其他检查辅助工程。特别是对于视网膜血管疾病,我们希望该系统能够提供高质量的增强图像,以便更好地可视化,并从复杂和噪声图像中合理分割视网膜血管。本文基于深度学习设计了两种网络模型用来自动分割视网膜血管,并在DRIVE和STARE数据集上进行了大量消融实验,实验结果显示两种网络模型的性能指标均处于领先地位,能够快速有效的完成视网膜血管分割。本文主要工作如下:（1）将HED边缘检测网络应用于视网膜血管图像分割,并对该模型进行了一系列改进:针对现有方法识别边缘和精细血管能力不足的问题,引入了一种新的改进的高效通道注意模块（MECA）,并且采用了双残差结构加深模型结构,提取更加精细的血管结构,为了防止模型加深产生过拟合问题,引入了结构化丢弃（Drop Block）模块。为了进一步提高模型的灵敏度,我们在HED网络的特征融合阶段加入融合了MECA模块的短连接结构。（2）针对现有的视网膜血管分割模型对于特征融合的程度不高,从而丢失了大量的特征细节,导致精细血管识别能力不足的问题,提出了深度多尺度融合网络。该网络将不同分辨率的特征图并行连接,从而能在整个深度学习过程中保持各个分辨率的特征图,最大程度的保留了特征细节,然后通过融合单元进行多次特征融合,使得高分变率表示也能包含低分辨率表示中特有的全局上下文信息。（3）针对现有的视网膜血管分割模型在视盘、渗出物附近分割结果严重恶化,抗干扰能力弱,血管断裂情况严重等问题,设计了像素级自适应滤波器（PA滤波器）来学习视网膜血管系统的结构冗余信息,来提高血管的连通性,提高抗干扰能力。PA滤波器主要由多尺度剩余相似性收集（MRSG）模块采用主干网络生成的粗分割图进行学习生成。