视网膜眼底图像的动静脉分割技术能够辅助医生更好地诊断各种全身性疾病或者心血管疾病,是一种具有重要意义的计算机辅助诊断技术。传统的视网膜眼底动静脉分割方法一般包含两个步骤:首先将血管从眼底图像上分割出来,接着在血管分割的基础上进行动静脉的分类。然而,这种方法的最终结果,会受到第一步,也就是血管分割效果的影响,且整个过程耗时较长。近年来,一些基于深度学习的分割方法实现了端到端的视网膜动静脉分割,可直接在眼底图像中对动静脉进行分割。然而,这种端到端的方式很难将细小的血管分割出来,导致最终的结果甚至差于一些传统的动静脉分割方法。针对基于深度学习的动静脉分割模型难以将细小血管分割出来的问题,本文探究如何搭建一种基于特征重标定网络的分割模型,从而在视网膜动静脉分割任务上达到较好的分割性能。首先,本文构造了一种多任务学习的分割网络,将视网膜血管与动静脉同时分割出来,通过多任务学习的机制有效地提升了动静脉分割的性能。同时,通过实验结果可以发现,多任务学习网络中的血管分割子网络能更好地将细小的血管分割出来。在此研究基础上,本文探究如何构造一种特征重标定的方法,使得血管分割的结果能够指导动静脉的分割。除此之外,本文还在网络中嵌入了深度监督模块,以此辅助分割网络的训练。本文的主要研究内容及创新点包括:第一,提出了一种多任务学习的训练方式,提升了分割模型的性能,同时使模型训练过程中较为简单的子任务的分割结果,能够指导较为复杂的任务;第二,针对上述简单任务指导复杂任务这一过程,本文提出了一种基于高斯函数的特征重标定方法,从而使网络能够更好地分割出一些细小的血管。第三,本文在网络中嵌入了深度监督模块,使得监督信息能够更好地传入浅层网络,从而有效解决梯度消失的问题。实验结果表明,本文所提出的模型,相较于以往常用的方法,其性能在一些公开数据集上均取得了较大的提升。