近年来一些眼科疾病因可导致不可逆失明而受到了全球范围的关注。这些眼科疾病在影响人体生理机能的同时也会破坏眼底血管形态的稳定性和规律性。因此,通过眼底图像视网膜血管形态测量可有效辅助眼科疾病的诊断,其中精确而有效的视网膜血管分割是血管形态测量的关键,是开展眼底图像辅助诊断的前提。人工分割耗时费力,也鼓励了专家和学者在视网膜血管自动分割任务上做出尝试。其中,基于块的深度学习方法的应用日益广泛。然而,对于目标区域,大部分基于块的方法都只使用一个与之重合的块来进行描述,忽视了目标区域的上下文信息对分割的影响。为了克服上述不足,本文采用深度学习方法深入开展视网膜血管分割研究。主要工作包括:(1)为了有效地利用目标区域的上下文信息,本文提出一个名为bridge-net的新型网络结构用以捕捉视网膜血管的上下文信息。对于每个目标区域,bridge-net均提取了两个有包含关系的同心块分别表示对目标区域包括和不包括其上下文信息的两组描述。这两个块构成一个输入序列,输入到一个卷积神经网络(Convolutional Neural Network,CNN)结构中,对应地生成包含和不包含上下文信息的特征。接着,bridge-net使用了一个循环神经网络结构(Recurrent Neural Network,RNN),通过融合经卷积神经网络得到的两组特征来传递目标区域的上下文信息,使目标区域中的血管分割更精确。(2)考虑到在粗血管集中区域与细血管集中区域,血管的分割难度不同,本文设计了一个块分类算法把提取的块进行分类,并提出了基于块分类的损失函数映射,根据块的类别缓解血管与背景之间的不均衡,使权重的分配更有针对性。(3)我们在STARE、DRIVE和CHASE_DB1三个血管形态有较大差异的公开数据集上进行了实验。实验结果表明,bridge-net能有效利用上下文信息,使分割更加精确,且使用基于块的损失权值能进一步提升分割结果。同时,bridge-net在这三个数据集上的分割结果差异较小,即网络的分割结果受数据集的影响较小,分割效果较为稳定。与现有分割方法相比,bridge-net的分割结果优于大部分最新方法,且在效果稳定的方法中,bridge-net的综合性指标AUC为当前最优。