由于眼底血管结构复杂多变，且图像中血管与背景对比度低，眼底血管分割存在巨大困难，尤其是微小型血管难以分割。基于深层全卷积神经网络的U-Net能够有效提取血管图像全局及局部信息，但由于其输出为灰度图像，并采用硬阈值实现二值化，这会导致血管区域丢失、血管过细等问题。针对这些问题，提出一种结合U-Net与脉冲耦合神经网络（PCNN）各自优势的眼底血管分割方法。首先使用迭代式U-Net模型凸显血管，即将U-Net模型初次提取的特征与原图融合的结果再次输入改进的U-Net模型进行血管增强；然后，将U-Net输出结果视为灰度图像，利用自适应阈值PCNN对其进行精准血管分割；在U-Net模型中引入Batch Normalization和Dropout，提高训练速度，有效缓解过拟合问题。实验结果表明，所提方法的AUC在DRVIE、STARE和CHASE_DB1数据集上分别为0.979 6，0.980 9和0.982 7。该方法可以提取更多的血管细节，且具有较强的泛化能力和良好的应用前景。
