随着社会发展进步,人类生活水平提高,但同时多种慢性病流行的情况也越发严重。这些疾病不仅对身体造成直接的伤害,其并发症也会带来视力降低甚至是失明的严重后果。通过分析分割后的眼底血管图像,来进行早期检查与长期监测,将会有效地降低患者视力损失的风险。但由于眼底血管结构复杂,对比度较低导致现有的许多眼底血管分割方法在细小血管分割,消除噪声上仍存在问题。UNet++算法是一种具有良好性能的深度学习算法,它可以分割提取图像中的特定部分,在医学图像分割领域中有着较为广泛的应用。本论文将改进型UNet++算法用于眼底图片处理,实现了一种眼底血管的自动分割系统,提高了分割性能。首先,针对眼底照片中血管对比度较低且数据集含有图片数量少的问题,对原始数据集图片先进行通道分离,CLAHE操作和伽马校正操作,来增强血管对比度,减少噪声干扰,再进行数据增强操作,增加训练集图片数量。其次,针对细小血管分割效果差和主干血管定位不准确的问题,先将不同层级的编码器-解码器网络叠加起来,形成可以提取不同深度特征的多层级网络。再利用网状跳跃连接将各层模块连接起来,缩小不同层级上下文语义信息的差距。并且在特征提取模块上,采用空洞卷积来改变特征提取感受野。最后,在特征输出层上,将提取到的多层级特征信息通道连接起来,得到具备不同尺度特征信息的多层级融合特征,从而使深度学习网络可以学到具备不同层级语义信息的特征。为了验证本文设计分割系统的有效性,在三个公开的标准数据集DRIVE、STARE、CHASE＿DB1上进行了实验。实验结果表明,基于改进型UNet++算法的的分割系统可以准确提取血管细节,其分割结果的精确度和灵敏度在DRIVE数据集上各达到98.17%和89.48%。比起现有的许多视网膜血管分割方法,具有更好的分割性能,能够基本满足医疗辅助诊断系统的要求。