La segmentación de los vasos retinianos sigue siendo una tarea desafiante porque la morfología de los vasos retinianos refleja la salud de una persona, lo cual es esencial para el diagnóstico clínico. Por lo tanto, lograr una segmentación precisa de la forma de los vasos retinianos puede determinar la condición física del paciente de manera oportuna y prevenir la ceguera en los pacientes. Dado que el método tradicional de segmentación vascular retiniana se realiza de forma manual, esto puede ser consumidor de tiempo y laborioso. Con el desarrollo de las redes neuronales convolucionales, las redes en forma de U (U-Nets) y sus variantes muestran un buen rendimiento en la segmentación de imágenes. Sin embargo, U-Net es propenso a la pérdida de características debido a la operación de la capa de convolución del codificador y también causa el problema de desajuste en el procesamiento de características de información contextual causado por la parte de conexión de omisión. Por lo tanto, proponemos una mejora del método de segmentación de vasos retinianos basado en U-Net para segmentar los vasos retinianos de manera precisa. Con el fin de extraer más características de las características del codificador, reemplazamos la capa de convolución con la estructura de red ResNest en la extracción de características, que tiene como objetivo mejorar la extracción de características de la imagen. Además, se propone un módulo de Bloque FCA de Profundidad (DFB) para tratar el procesamiento desajustado de características contextuales locales mediante conexiones de omisión. Combinado con los dos conjuntos de datos públicos sobre segmentación de vasos retinianos, a saber, DRIVE y CHASE_DB1, y comparando nuestro método con un mayor número de redes, los resultados experimentales confirmaron la efectividad del método propuesto. Nuestro método es mejor que la mayoría de las redes de segmentación, demostrando el valor clínico significativo del método.