使用低质量的底面图像进行临床筛查具有挑战性，并显着导致误诊。本文解决了通过视网膜图像恢复改善视网膜图像质量和血管分割的问题。更具体地说，具有卷积块注意模块（CBAM）的循环一致生成对抗网络（Cyclean）用于视网膜图像恢复。修改后的UNET用于恢复的视网膜图像（CBAM-UNET）的视网膜血管分割。提出的模型由两个发电机和两个歧视者组成。发电机将图像从一个域转换为另一个域，即从低品质到高质量，反之亦然。鉴别器对生成和原始图像进行分类。视网膜血管分割模型使用缩减采样，瓶颈和上采样层来生成分段图像。 CBAM已用于增强这些模型的特征提取。所提出的方法不需要配对的图像数据集，这些数据集生产具有挑战性。取而代之的是，它使用的是由从公开可用数据集检索的低质量和高质量底面图像组成的不成对数据。使用全参考评估指标（例如峰值信噪比（PSNR）和结构相似性指数量度（SSIM））评估了所提出方法的恢复性能。将视网膜血管分割性能与地面的基础图像进行了比较。所提出的方法可以显着减少因异常模糊，颜色失真，低，高和不均匀照明引起的降解效应。实验结果表明，所提出的视网膜图像恢复和血管分割方法的有效性。