人体眼底各组织的情况可在眼底视网膜图像集中观察,评估分析视网膜图像是眼科医生检查诊断中最重要的环节之一。分析视网膜血管不仅能判断视网膜疾病,还能辅助判断动脉硬化和糖尿病等全身性疾病;视网膜视盘的情况亦可作为青光眼和脑垂体瘤的判断依据。因此,利用图像技术准确高效地从视网膜图像中分割血管和视盘有助于眼科辅助诊疗和筛查,有广泛的实践价值和应用前景。近年来视网膜血管和视盘分割方法不断涌现。现有的传统机器学习血管分割算法往往只采取单一特征训练分类器;诸多视盘分割算法从全局视网膜图像中分割视盘,分割效果易受视盘周边的噪声影响。且视网膜数据集标注难度大、数据量不足。针对上述视网膜图像分割中的问题,本文提出一种多特征融合的血管分割算法和基于快速区域卷积神经网络与水平集的视盘分割方法,论文主要工作如下:针对由视网膜血管拓扑结构复杂导致血管末端分割精度低的问题,本文提出一种综合血管线性结构、边缘信息、灰度信息和统计信息等多种视网膜血管特征的血管分割算法,充分保留视网膜血管结构的连续与完整。对每个视网膜像素点分别提取线性特征、纹理特征、矩特征、方差特征和灰度特征作为判断血管像素依据,通过各类特征的融合训练随机森林分类器并得到血管分类器,最后在血管像素分类之后设计血管形态学后处理算子,进一步提升血管分割精度。算法在DRIVE和STARE数据集上测试,实验表明本文算法较好地保证血管分割结果的连通性,在微小血管处分割精度良好,整体分割精度与大部分现有血管分割算法一致,高于传统视网膜分割算法。针对视盘分割算法在全局视网膜图像中易受背景像素干扰,影响分割准确率的问题,本文提出一种基于快速区域卷积神经网络与水平集的视盘定位分割算法。该方法先框定视盘矩形区域再精细分割视盘边界。算法定位部分由ZF Net对原始视网膜图像卷积提取视网膜特征,然后由快速区域卷积神经网络确定视盘区域精确位置。算法分割部分首先采用直方图匹配与灰度闭运算增强视盘区域图像,之后采用添加形状约束项的局部区域拟合能量水平集函数求解视盘精确边界。算法在MESSIDOR数据集测试,比较了不同视盘分割算法的性能,该算法与主流视盘分割算法的视盘重叠率相当,对光照与噪声有一定鲁棒性。