1.一种融合UNet和边缘检测模型的视网膜血管分割方法，其特征在于，基于UNet网络，将UNet的普通卷积替换成混合空洞卷积，增大感受野，提取更多的特征；另一方面，使用UNet的编码器部分替换HED的VGG‑16，将血管的轮廓展现出来，最后结合HED输出和经过ASPP后的UNet分割的输出得到最后的结果；所述使用UNet的编码器部分替换HED的VGG‑16，即利用UNet的编码器部分当做HED的骨干网络，HED采用多尺度特征，融合后的HED分支由四个通过拼接操作合并的边界分支组成，每个边界分支的维数与原始输入图像相同，每个输出的大小与原始输入图像相同。

2.根据权利要求1所述的融合UNet和边缘检测模型的视网膜血管分割方法，其特征在于，所述UNet网络采用编码器‑解码器结构。

3.根据权利要求1所述的融合UNet和边缘检测模型的视网膜血管分割方法，其特征在于，还对UNet网络的基本组成结构Conv‑BN‑ReLU中进行修改，即在BN与ReLU之间添加Dropout。

4.根据权利要求1所述的融合UNet和边缘检测模型的视网膜血管分割方法，其特征在于，所述经过ASPP后的UNet分割的输出，即在UNet分割的输出后使用ASPP，ASPP通过使用多个不同比例的空洞卷积利用多尺度特征，并将输出与HED的输出相加。

5.根据权利要求1所述的融合UNet和边缘检测模型的视网膜血管分割方法，其特征在于，该方法采用的损失函数为二值交叉熵，定义如下：其中yi代表训练集中的真实标签， 表示的是预测的像素i所属的类别，N代表的是像素的总数。