眼底视网膜图像的自动化分析是计算机技术在有关疾病诊断中的一项重要应用。人类眼球底部的视网膜中包含大量的微小血管,这些微血管的走势、管径宽度、形状结构的变化均与眼部疾病、心脑血管类疾病、高血压等全身性疾病有关。利用计算机图像处理技术对视网膜微血管进行数字化分析,能够为医学工作者分析和判断有关疾病的病情提供重要的科学依据,还能够提高疾病预防的普及度,所以关于眼底图像的血管分割技术对于医学诊断、疾病预防非常重要。本文的研究对象是眼底图像中的血管网络结构,主要对图像超分辨率重建技术、小波变换理论和深度学习等计算机视觉处理方法进行学习,从而解决与眼底图像处理相关的图像去噪、血管特征增强、血管分割等问题,论文的主要研究工作和成果如下:（1）提出一种基于优化的EDSR模型的图像超分辨率重建算法。根据对图像超分辨率重建技术的研究,首先针对因网络深度不断加深导致的网络过拟合问题,将EDSR模型中残差模块的Relu激活函数替换为Swish激活函数;然后,采用多路径残差模型提取更多不同尺度的特征信息,提高网络的表达能力;最后,将视网膜血管图像输入到改进后的EDSR网络结构中进行超分辨率重建,提高眼底视网膜图像的分辨率,提升血管特征清晰度,进而获得更加直观清晰的视网膜血管网络结构。（2）提出一种基于小波变换的超分辨率眼底图像增强算法,对眼底图像中的血管特征进行增强。根据对小波变换和超分辨率图像增强技术的学习,首先重新设计了小波阈值函数,利用改进后的自适应小波阈值方法对超分辨率重建后的眼底图像进行去噪;然后,考虑去噪后的血管细节信息,通过张量扩散算法构建张量扩散模型,划分图像信息的类别,针对图像的平滑区域、血管边缘和孤立噪声点设置对应的特征值,最终完成对超分辨率眼底图像的血管特征增强。（3）提出一种基于全尺度跳跃连接的眼底图像视网膜血管分割算法。根据对深度学习和医学图像分割模型U-Net网络的研究,首先利用全尺度跳跃连接方式提取更多尺度的血管特征,获取多尺度下的粗粒语义和细粒语义,保留更多的有用信息;其次,使用可变卷积代替U-Net网络中的传统固定卷积,实现感受野可以随血管分布而变化的效果,解决视网膜血管分布复杂、细小血管难以捕捉等问题;最后,采用SFAM模块优化算法的特征融合部分,SFAM模块中的通道注意力机制可以给不同通道的特征图加上不同权重,增强重要通道的血管特征。实验表明,改进后的分割算法在提高血管结构清晰度、细小血管分割方面效果明显。