眼底血管的异常变化揭示了许多疾病的严重程度,如糖尿病,高血压,动脉硬化,心血管疾病和中风。因此,血管分割是许多疾病诊断的重要前提。通常血管的提取是由医生手动完成的,但这是一个耗时的任务,并非常依赖医生的专业性。随着图像处理技术在医学领域的快速发展,对眼底血管进行自动分割和检测已经成为一种可能。然而,由于人的眼底结构特征复杂,毛细血管较多,分割难度较大,现如今的血管分割技术在分割精度上仍待改进的空间。本文在阅读大量文献的基础上,提出了一种改进型的U-Net卷积神经网络的眼底图像分割方法,采用公共数据库DRIVE的眼底图像进行训练和检测,最终分割出效果较好的血管树。该分割方法分为预处理与血管分割两部分。本文选用RGB图像的绿色通道图像,对该眼底图像进行对比度受限直方图均衡化(CLAHE)处理、伽马校正,提高血管树与背景的对比度。然后利用二维Gabor滤波器进行滤波,滤去去绝大部分背景噪声,并对眼底血管进行增强处理,为之后的血管分割提供了高对比度的图片。本文详细地介绍了神经网络、卷积神经网络、FCN、U-Net网络的结构和原理,搭建一种改进型的U-Net卷积神经网络结构,该神经网络包含八层,其中第二层至第七层为隐藏层,仅含有两个下采样层。本文采用DRIVE数据库的眼底图片对网络进行训练和测试,得到的图片能够较完整地分割出血管树。与前人的方法相比,本文的三项血管分割指标均优于前人文献,其中准确率Acc为0.9691,灵敏度Se为0.8122,特异性Sp为0.9761。同时本文的方法具有以下三个优点:(1)血管边缘光滑无残缺,血管粗细与原图像近似,且血管断裂极少,整体血管树与医学专家分割的血管树极其相似。(2)能够较好地识别并分割毛细血管,分割出的毛细血管顺滑完整,断裂较少。(3)能够较好地分割视盘、视杯、黄斑部位的血管,避免将这些眼底结构误识别为血管。