视网膜图像里的血管是可以被观察到的一类微血管,其分布、结构和形态特征的变化能在一定程度上反映病变的程度。伴随着医学影像技术的发展,除了依靠人工进行视网膜疾病诊断之外,使用计算机进行辅助诊疗已经成为最常见的手段。计算机进行辅助诊疗对视网膜图像的病变原因进行甄别,对糖尿病引发的视网膜病变、青光眼以及视神经炎的诊断等问题存在着重大的意义。血管分割与视盘定位是视网膜图像分析相关的两个主要工作。由于在获取视网膜图像时的环境差异大,光照不均、对比度失衡以及病变亮斑出血等问题都会增大视网膜图像处理的难度。视盘是眼底图像中最重要的生理结构,准确的定位到视盘所在位置,有利于精准判断眼底病变起因。在病变图像中,视盘可能会被完全覆盖,也可能会被亮斑遮盖一部分,也存在着图像之中不存在视盘的情况。在正常图像中的视盘是亮度最明显的区域,在病变图像中它很容易和大尺寸的亮黄色病变区域混淆,如果能够精准的检测出视盘区域,就可以把它从候选病变对象中筛选出来。为了准确、高效的进行视盘定位,本文设计了一种基于纹理特征与形状特征的视盘定位方法。在对正常和病变眼底图像的测试中,此方法都表现出良好的视盘定位效果。与其它的视盘定位方法相比,该算法在定位准确率以及计算效率方面有一定的优势,并且能够为接下来的血管分割工作提供一定的基础。而对于视网膜血管分割的相关工作,本文设计了一种基于视盘区域识别、以及多纹理特征理论的视网膜血管分割方法。这种方法基于多种纹理特征,不同于其它血管分割方法。首先,对于可用于图像处理的纹理特征进行了统计,对视网膜图像共计算出了41种纹理特征。通过对这些视网膜图像纹理特征的定量分析,我们发现几种纹理特征,如标准差纹理特征,可以很明显的区分血管的前景和其它背景区域,从而获得比原始图像更好的视觉效果,它可以为血管分割和视盘定位提供更多的信息。同时我们设计了一种融合了能量纹理特征、标准差纹理特征、形态学操作和最大类间差方法的视网膜血管分割算法。结果表明,多特征融合的方法比单纯使用一种特征进行血管分割的方法更有效,此方法提高了血管分割的准确性,使血管结构更加完整,并且在一定程度上解决了分割过程中视盘区域与周围血管丢失的问题。