据相关研究调查显示,高血压、糖尿病等慢性疾病在近年来呈快速增长趋势,临床医学研究发现这类疾病症状表现与视网膜密切相关,视网膜血管的异常扩张或阻塞、炎症反应等症状为医生的诊断提供了重要的依据,计算机图像处理技术为诊断提供了新的思路,本文旨在研究一种辅助医生诊断的眼底图像分割方法。近年来,卷积神经网络被大量应用于图像处理任务中,依据特定的分割任务来设计网络框架能达到良好的分割效果。利用U-Net网络架构,本文开展了基于深度学习的眼底图像分割研究,提出了一种基于多尺度特征融合的眼底图像分割算法。为了获取多尺度特征信息,提升模型的分割效果,文中引入了inception模块代替基础U-Net编码器中的部分卷积操作。为增大卷积操作的感受野,获取更大范围的信息,本文在inception模块中使用了不同膨胀系数的空洞卷积并行处理数据。同时,本文添加了基于多尺度平均池化思想的PPM模块以捕获丰富的特征信息。为了优化网络性能,防止模型过拟合,在网络中3*3卷积后引入了drop block技术关闭神经元的部分连续单元,提高模型泛化能力。本文采用公开数据集DRIVE和CHASE进行评估与测试,为了在少量数据上获得更好的分割结果,本文在实验过程中对数据集进行数据预处理,扩充样本数量以及提高样本质量。有效性消融实验结果表明,本文改进后的U-Net模型相比于基础U-Net在准确度和灵敏度上分别有1.04%和4.31%的提升,分别达到95.72%和81.94%。同时为了验证inception模块的合理性,本文设计了多种网络变体,在U-Net中不同尺度阶段中引入该模块,实验结果表明分割性能有了不同程度的提升。文中开展了横向对比实验以评估模型性能,本文算法在准确度上优于其中的三个算法,分别提升了1%、0.16%和0.34%;灵敏度优于其中的两个算法,分别提升了4.09%和2.62%,进一步验证了本文算法的有效性。