视网膜眼底图像(医疗术语也称作视网膜造影图像)是人眼球表面的投影医疗图像。医生可以通过这种图像观察视网膜及其内部特征,包括血管树的形态,血管的空间位置,视盘状况等。视网膜血管可以为多种疾病的诊断提供非常有价值的信息,血管形态和位置的变化可以有效的反映出白内障、青光眼、糖尿病、血管扩张等病变。因此,视网膜眼底图像的处理分析和自动识别对于眼底血管疾病的诊断和辅助治疗具有重要的意义。随着人工智能的发展,大量的机器学习模型和深度学习模型被应用在医疗图像的自动诊断任务中。由于一些眼底图像中的血管和背景之间的对比度不足、背景照明不均匀以及训练分类的特征比较单一等因素,所以使训练完的分类模型得到的分类结果还不够精细,尤其对存在白内障等病变的模糊眼底图像血管的细节不敏感,提取的血管树精度和边缘精度有待于提高。本文基于多特征融合和深度学习模型相结合来进行眼底图像血管提取方法的研究,主要完成的工作如下:(1)对医院提供的眼底彩色图像数据集进行图像预处理工作。对眼底彩色图像进行灰度化、增强处理以及通道对比来选择出特征清晰的图像,完成预处理工作。(2)通过不同的实验方法分别得到多种不同的特征图像:血管空间形状分割特征、血管的边缘特征、血管的纹理特征以及血管的梯度特征。(3)对于第2步得到的梯度特征和纹理特征与原图像得到的灰度特征进行多空间重组,利用重组后的新RGB图像去训练全卷积神经网络(FCN)模型得到眼底血管的分割图。最后,经过形态学操作,即顶帽滤波和迭代化阈值处理,得到最终的血管分割图像。(4)对于得到的血管空间形状特征、纹理特征和边缘特征三种特征图利用PCA方法进行多特征融合处理得到包含眼底血管纹理、边缘、空间形状的综合特征图,然后利用综合特征图训练FC-Dense CRF模型得到眼底图像血管的分割图。通过实验分析与对比可知,本文的两种识别提取血管的算法都取得了比较好的效果,两种模型对于眼底图像血管分割的精度的指标较现有的算法有所提升。对于患有白内障的模糊眼底图像的血管提取效果也有所改善。