视网膜血管是人体唯一不需要使用伤害性手段就能够较为清晰观察的血管,专业的医生可以通过观察视网膜血管特征,较为精准地诊断多种疾病。然而,视网膜血管结构上错综复杂,常常导致难以观察,容易引起漏检的风险。因此,高精度的自动化视网膜血管分割技术对临床医疗辅助诊断有重要的意义。数十年来,虽然已经有大量的基于模型和基于学习的方法应用在视网膜血管分割问题上,但是在实际应用的时候,由于病变或者拍照方式变化等因素,这些方法在实际应用时精度损失较大,难以达到预期的要求。近几年来,深度学习在图像处理领域表现卓越,因此,本文基于深度学习提出了多尺度网络算法,其主要贡献为:(1)多尺度深监督网络,采用三层编码器-解码器结构,使用深度监督约束每一层的特征表达,跳跃连接融合相邻尺度下的特征信息,边界优化模块调整网络输出特征图的边界。(2)多尺度语义融合网络,采用五层编码器-解码器结构,在多尺度深监督网络的深度监督和跳跃连接的基础上,使用语义融合模块,将网络的每一层都与比它更低层的特征相融合,使用网络高维特征下的语义信息指导调节低维特征下的纹理信息,从而可以获得更加准确连贯的血管分割结果;使用多尺度特征优化模块,针对网络输出的特征图,进行进一步多尺度下血管信息的提取,可以同时提取出不同尺度下的血管信息。为了验证本文提出的视网膜血管分割算法的有效性,本文在多个公开数据集进行训练和测试,均能达到较高的分割精度。