视网膜血管是心血管系统中唯一的可以通过非入侵和非创伤的方式观察到的清晰血管。视网膜血管图像的精确分割对于辅助医生诊断和治疗视网膜病变、高血压等疾病具有重要的临床价值。传统的人工分割方法不仅耗时费力,分割准确率也不高。随着深度学习技术在医疗领域的发展和应用,研究者们提出了很多血管图像分割方法,并且获得了一定的分割效果,但视网膜血管图像分割仍然存在分割精度不高、细小血管易断裂等问题。为了解决此问题,本文提出了两种不同的分割算法,并分别在国外公开数据集上进行实验,取得了较好的视网膜血管图像分割效果。本文的主要创新工作如下:(1)针对U-Net网络模型获取图像信息流的路径数量有限以及视网膜细小血管难以分割等问题,提出了一种基于多路径U-Net的视网膜血管图像分割算法。首先,在视网膜血管图像分割时,通过改进的U-Net网络模型得到更多的视网膜血管信息流路径数量,进而可以获取更多的视网膜血管特征信息;其次,将改进的U-Net网络模型中的普通卷积替换成空洞卷积,可以在不增加网络参数的同时扩大网络的感受视野。在DRIVE公开数据集上的实验结果表明,模型的平均准确率、灵敏度和特异性分别达到了95.64%、80.37%和98.14%。受试者工作特性曲线下的面积达到了0.9802,高于传统的分割方法,取得了良好的分割效果。(2)针对视网膜血管图像分割精度不高、细小血管易断裂、模型抗干扰能力差等问题,提出了一种基于生成对抗网络的视网膜血管图像分割算法。该算法主要在生成对抗网络的生成器模块中引入了改进的U型网络结构。首先,在原来的U型网络结构的下采样层加入残差密集模块,可以充分利用多层网络的图像特征信息,强化特征传播,降低网络模型参数;其次,在原来的U型网络结构的上采样层添加注意力机制模块,可以对视网膜血管图像中不同大小的血管进行特征信息聚焦。在DRIVE和STARE公开数据集上的实验结果表明,模型的平均分割准确率分别为96.01%、97.52%,灵敏度分别为82.37%、83.67%,特异性分别为98.79%、98.64%,受试者工作特性曲线下的面积分别为0.9892、0.9899。实验表明,本模型比其它模型具有更好的分割精度和鲁棒性。