El deterioro de numerosas enfermedades oculares está altamente relacionado con las estructuras retinianas del fondo, por lo que la segmentación automática de vasos retinianos sirve como una etapa esencial para la detección eficiente de lesiones relacionadas con los ojos en la práctica clínica. Los métodos de segmentación basados en estructuras de codificación-decodificación muestran un gran potencial en tareas de segmentación de vasos retinianos, pero tienen una capacidad limitada de representación de características. Además, no consideran de manera efectiva la información en múltiples escalas al realizar la fusión de características, lo que resulta en una baja eficiencia de fusión. En este documento, se diseña un nuevo modelo, llamado DEF-Net, para segmentar automáticamente los vasos retinianos, que consta de una unidad de doble codificación y una unidad de decodificación. Fusionado con una red recurrente y una red convolucional, se propone una unidad de doble codificación, que construye una rama de red convolucional para extraer características detalladas y una rama de red recurrente para acumular características contextuales, y podría obtener características más ricas en comparación con la estructura de red convolucional única. Además, para explotar la información útil en múltiples escalas, se diseña un bloque de fusión a escala múltiple utilizado para facilitar la eficiencia de fusión de características. Se han realizado experimentos extensos para demostrar el rendimiento de segmentación de nuestro propuesto DEF-Net.