视网膜血管的硬化、渗出及出血等病变能反映出全身健康情况的改变。医师通过对视网膜血管的状况进行评估,可以进一步了解病人身体的健康情况。此外,视网膜血管的独特性还可用于构建更安全的识别系统。无论是应用于疾病诊断还是构建认证系统,视网膜血管的准确分割都是至关重要的。如果仅依靠眼科医师对彩色眼底图像进行分割,不仅效率低下,还会耗费大量的财力物力。计算机视觉技术的迅速发展使计算机自动分割医学图像成为可能。与人工分割相比,基于计算机视觉的自动分割算法速度更快、效率更高。随着人工智能技术的兴起与计算机硬件设备的更新换代,深度学习得到了迅猛发展,成为了各领域中的焦点。基于上述背景,本文以彩色眼底图像作为研究对象,对基于深度学习的视网膜血管自动分割算法展开研究。本文的主要研究工作如下:（1）设计了一种基于U型网络的眼底图像分割网络（DE-UNet）。首先,DE-UNet以U-Net为结构基础。U-Net对称的编码-译码结构以及跳跃连接的设计能将高分辨率信息与低分辨率信息有效地结合在一起,有利于提高分割的准确率。其次,为了能更高效地利用特征并减少网络的参数量,在网络中引入了密集连接模块。同时,还在网络中添加了信道注意力机制使网络可以动态地调整各信道的权重,从而能强化重要特征并抑制无关特征的表达。此外,还探讨了交叉熵损失函数与混合损失函数对分割结果的影响。最后,在基准数据集上的实验结果证明了本设计模型的有效性。（2）设计了一种基于生成对抗网络的眼底图像分割网络（U~2R-GAN）。生成对抗网络是一种生成模型,由生成器和判别器两个独立的网络组成。首先,U~2R-GAN采用轻量级的U~2-Net作为生成器以生成血管概率图。U~2-Net由一系列的U型卷积模块构成。该模块不仅能捕获到多尺度特征,还可以通过调整模块中特征图的维数进而控制网络的参数量。其次,为加快网络收敛,并避免网络出现退化,判别器采用了残差网络对所生成的分割图像进行评分。生成器和判别器通过博弈能提高各自的生成能力和判别能力。经过一定次数的迭代训练后,可以从生成器中提取质量更高的血管分割图像。最后,实验结果表明,设计的模型在彩色眼底图像的分割中能取得较好的效果,并且模型对视网膜血管像素的灵敏度也得到了有效地提升。