El glaucoma es la segunda enfermedad ocular que más ceguera causa en el mundo y la segmentación precisa del disco óptico (OD) y la copa óptica (OC) es esencial para el diagnóstico del glaucoma. Para resolver los problemas de baja eficiencia en tiempo real, alta complejidad del algoritmo y gran consumo de memoria de los algoritmos de segmentación de fondo de ojo, se propone un algoritmo de segmentación ligero, GlauNet, basado en redes neuronales convolucionales. El algoritmo diseña una red de extracción de características eficiente y propone un módulo de fusión de límites a escala múltiple (MBF), que mejora considerablemente la eficiencia de segmentación del algoritmo mientras se asegura la precisión de la segmentación. Los experimentos muestran que el algoritmo logra puntuaciones de Dice de 0.9701/0.8959, 0.9650/0.8621 y 0.9594/0.8795 en tres conjuntos de datos públicos: Drishti-GS, RIM-ONE-r3 y REFUGE-train, tanto para el disco óptico como para la copa óptica. El número de parámetros del modelo es solo de 0.8 M y solo toma 13 ms inferir una imagen de fondo de ojo de 800 x 800 en una GPU GTX 3070.