1、視網(wǎng)膜血管作為人體內在無創(chuàng)傷條件下，唯一可供觀察的內部血管組織，一直受到研究人員的廣泛關注。人體中諸多疾病的發(fā)生和預防都可以通過這一血管網(wǎng)絡的物理變化進行表征和預測。大量的臨床實驗表明，糖尿病視網(wǎng)膜病變和視網(wǎng)膜動靜脈血管的異常相關，除此之外像高血壓以及一些胰腺疾病等都會引起視網(wǎng)膜血管網(wǎng)絡的異常，通過提前獲悉這些異常有助于延緩病情的發(fā)展惡化甚至杜絕疾病的產生。但是由于視網(wǎng)膜血管圖像結構復雜，依靠醫(yī)務人員手動的分析耗時且昂貴，而且難以得到精

2、確的結果。因此采用圖像處理的方法來自動的分析視網(wǎng)膜圖像進行病情的分析診斷具有廣闊前景。
　　本文對視網(wǎng)膜血管的研究主要分為三個部分：視網(wǎng)膜圖像預處理，血管分割提取，動靜脈血管的分類。本文對視網(wǎng)膜圖像的預處理工作針對不同實驗目的采取不同的處理方法，以達到每個階段效果最佳的目的。血管分割采用了改進的B-COSFIRE方法，該方法采用無監(jiān)督學習，減少了對訓練樣本的依賴。動靜脈識別部分采用了兩種方法，第一種是手動特征的方法，在不同的顏色空

3、間提取顏色特征后使用支持向量機進行分類。第二種方法是使用深度學習構建深度網(wǎng)絡的方法對血管進行分類。兩種方法完成后都需要引入血管結構特征，對分類完成的血管片段進行投票和類型校正。
　　通過研究視網(wǎng)膜血管的動靜脈特征，本文實現(xiàn)了從血管分割到血管動靜脈分類的全自動分類方法。利用公開數(shù)據(jù)庫DRIVE眼底圖像數(shù)據(jù)庫對本文的研究方法進行了測試，其中基于像素點的分類正確率為88.7％，基于血管段的分類正確率為89.07%。從本文的實驗結果以及與