高精度的眼底视网膜血管病变特征影像可以极大地提高疾病诊断效率,而从彩色眼底图像中制作出一张高精度的视网膜血管影像需要专业医生投入大量的时间和精力进行手工标记。手工标记错误率高、主观性强,如果采用深度学习技术进行自动标注,则既能体现标注血管的客观性,又能提高医生的工作效率。然而,视网膜数据集中有标注的眼底图像样本量的不足使深度学习模型的泛化能力较差,影响了训练及分割的效果。为此,本文研究图像生成算法,扩大样本量,并研究相应的深度学习分割模型,提高分割性能。（1）针对视网膜数据集中有标注的眼底图像样本量不足,且生成视网膜图像模糊、网络训练过程不稳定的问题,本文提出了一种基于改进深度卷积生成对抗网络（Deep Convolution Generative Adversarial Networks,DCGAN）的图像生成算法多尺度生成对抗网络（Multi-scale Generative Adversarial Networks,Multi-s GAN）。该算法改进了DCGAN网络模型中的判别器和损失函数,融入风格转换思想,加入特征提取网络,从而生成大量清晰且形态多样的视网膜图像。（2）针对视网膜图像中的复杂且细小血管导致分割精度较低以及错误分割的问题,本文提出了一种基于R2U-NET（Recurrent Residual CNN-based U-Net）进行改进的图像分割算法IR2U-NET（Improved R2U-NET）。该算法首先通过残差路径替换R2U-Net网络中简单的短路连接,再使用复合的目标函数,在DRIVE公开数据集上完成训练和测试。实验结果表明,该算法的精准率、准确率、召回率和IoU,均有提升。（3）进行融合实验,将Multi-sGan算法生成出的数据集和原数据集进行合并,作为增强后的训练数据集输入IR2U-Net中进行训练。实验结果表明,训练后的模型具有更好的泛化能力。