近年来,糖尿病患者数量逐渐升高,由此引发的视网膜病变问题更加复杂多样。由于眼底图像中血管交错纵横且具有个体差异,医生进行诊断时需要花费大量时间观察血管结构。因此本文基于深度学习设计血管分割模型,并对分割后图像血管节点提取与分类,辅助医生进行诊断。具体研究内容如下:针对糖尿病视网膜图像分割问题,研究全卷积网络模型、U-Net网络模型以及Seg Net网络模型,搭建Keras和Tensorflow深度学习算法平台框架,优化Python算法代码,利用DRIVE开源数据集完成各模型的训练和测试。对比分析各模型算法的优缺点,为后续研究做准备。针对U-Net网络在分割效果上的不足之处进行改进。首先结合U-Net网络分割速度快和Res Net网络在增加网络深度的同时减少训练误差的优点,设计新的Resunet网络对糖尿病视网膜图像进行分割。其次使用同一数据集对Resunet网络进行训练和测试。最后与其他分割方法进行对比分析,使用Dice系数和ROC曲线验证Resunet网络能够更好地完成糖尿病视网膜图像分割任务,并且加快网络的运算速度。利用Resunet网络分割后的糖尿病视网膜血管图像,设计两种视网膜血管节点检测方法。针对细化后的血管图像采用基于CPDA的角点检测方法提取角点,并使用圆周探测器对错误节点进行去除;针对边缘检测后的血管图像设计方向可旋转的矩形探测器检验节点,并对其节点进行分类。通过实验,证明二者都可以达到较高的检测标准。