眼底图像的杯盘比作为青光眼诊断筛查中的重要参考依据,其测量值的准确程度与诊断筛查结果的有效性密切相关,视盘视杯分割是测量杯盘比的重要途径。传统的视盘视杯分割方法常采用人工设计特征,无法得到关键的特征信息,适应性较差,且常需要处理人员具有一定的医学专业知识,这些都限制了传统的视盘视杯分割方法的进一步发展。本文通过对眼底图像的视盘视杯区域分割问题进行了详细研究和分析,利用卷积神经网络,并结合眼底图像的特点,提出了新的眼底图像视盘视杯分割方法,残差U-Net网络和改进的全卷积网络,经过视盘视杯分割实验验证了这两类分割网络的分割效果比传统的视盘视杯分割方法要好。本文主要的研究内容包括:首先对眼底图像数据集进行数据增强,在增强数据和原始数据上,对眼底图像进行感兴趣区域提取,对提取后的图像进行极坐标变换,将极坐标变换后的图像作为训练数据,在训练数据上进行了U-Net网络模型的训练,在测试数据上进行了模型的测试,根据评价指标对测试结果进行了分析和评价。针对U-Net网络在眼底图像上分割效果的不足之处,提出将残差结构加入U-Net网络中,组合构成残差U-Net网络,提高U-Net网络的学习能力,经过模型训练和测试,根据评价指标对测试结果进行了评价,通过和U-Net网络的测试结果进行对比,验证了残差U-Net网络的分割效果更好。通过分析全卷积网络的结构,并结合视盘视杯分割的特点,提出将均值方差归一化操作和残差结构加入全卷积网络中,构成改进的全卷积网络,经过模型训练和测试,根据评价指标对测试结果进行了评价,通过和U-Net网络的测试结果进行对比,验证了改进的全卷积网络的分割效果好于U-Net网络。