眼底视网膜血管的结构和形态的变化往往和特定眼科及心血管疾病相关,是诊断、筛查、预防相关疾病的重要依据。针对医生判读彩色眼底图像效率低、需要丰富经验的问题,设计自动的视网膜血管分割算法具有非常重要的研究和实践意义。本文针对彩色眼底图像视网膜血管分割问题,结合了语义分割领域近年来的研究思路,提出了一种结合膨胀卷积、逐层解码器和多尺度上下文融合模块的全卷积分割网络,并在公开血管分割数据集上训练并测试了我们提出的全卷积网络的效果。本文的贡献主要包括下述几点:1.通过一个U-Net全卷积网络作为基线模型,本文对视网膜血管分割数据集图像的处理问题进行了研究。本文分析了数据集的裁剪采样方式、预处理方式和增强方式对网络性能的影响,并通过对比实验和消融性分析筛选出性能更好的数据集处理方法,以及最优的组合方式。2.本文回顾了语义分割领域近年来的研究思路,并选择了一些代表性的、应用于语义分割任务的全卷积网络改进方法,测试这些方法在视网膜血管分割任务中是否也能起到提高效果。本文通过对比实验证明了语义分割领域中常用的膨胀卷积和上下文融合模块,在视网膜血管分割任务中也能提升网络的分割精度。3.本文提出了一种结合膨胀残差卷积模块、逐层解码器和上下文融合模块的全卷积分割网络。本文提出的方法结合了在语义分割网络中常用的膨胀卷积模块和上下文融合模块,以及医疗影像分割任务中常用的跳层连接和逐层解码器。我们提出的网络结构能够结合这几种不同方法的优势,获得既分类准确、又有精确边缘的分割结果。本文提出的分割方法能够较为准确地分割出彩色眼底图像中视网膜血管的结构和形态,在DRIVE数据集和CHASE_DBI数据集的对比试验中体现出目前为止最优或次优的分类和分割精度。同时,本文也证明了针对语义分割任务设计的一些思路,同样对视网膜血管分割这个特定任务具有一定提升作用。