目前，基于人工手动方法的眼底图像血管分割及视盘检测技术存在成本高、效率低下、检测精度受医生主观性影响等缺点。伴随着信息科学技术、图像处理技术、模式识别与人工智能技术的快速发展，亟需深入研究眼底图像血管及视盘自动检测技术。实现眼底图像血管及视盘的自动检测，在医学领域有着十分重要的应用价值。　　本文对眼底图像血管分割及视盘检测的核心技术进行了研究，包括眼底图像的预处理、眼底图像的血管分割、眼底图像的视盘检测三部分内容。主要研究工作如下：　　1.研究了一种眼底图像预处理方法，目的是去除眼底图像中的干扰，为后续图像处理做准备，主要步骤如下：　　（1）为了去除噪声选择自适应中值滤波和自适应平滑滤波算法。　　（2）为了纠正光照不均采用几何均值滤波和灰度级全局变换算法。　　（3）为了实现血管增强运用形态学顶帽变换算法。仿真结果表明本文预处理方法能够较好的保留眼底结构信息，提高目标与背景的对比度。　　2.改进了一种基于脉冲耦合神经网络（Pulse Coupled Neural Network，PCNN）的眼底图像血管分割方法。该方法简化了传统PCNN模型，将其单一的神经元兴奋性链接输入改进为神经元兴奋性与邻域抑制性链接输入之和；将其随时间指数衰减的阈值改进为图像的灰度迭代阈值；将其链接强度改进为拉普拉斯能量。分割图像时无需人工设置参数，无需特定准则确定最佳迭代次数，一次迭代完成分割。解决了传统PCNN模型中网络参数众多且不易自动选取，迭代次数结束条件不好确定的问题。对DRIVE眼底图像库和广西医科大学附属医院的眼底图像的仿真实验结果表明，该方法在主观视觉效果及客观分割性能和运算耗时上均明显优于传统方法。　　3.实现了基于模板匹配的视盘定位算法，重点是改进了基于Hough变换的视盘分割算法，裁剪感兴趣区域、将图像空间边缘点代入参数方程并比较求取的圆上边缘点与阈值，克服了Hough变换检测圆时间、空间消耗大的缺陷。通过对DRIVE眼底图像库和广西医科大学附属医院的眼底图像进行仿真实验，表明该方法能够精确的检测视盘，具有较强的有效性和优越性。