Der Kaliber und die Konfiguration der retinalen Blutgefäße dienen als wichtige Biomarker für verschiedene Erkrankungen und medizinische Zustände. Eine umfassende Analyse der retinalen Vasculatur erfordert die Segmentierung der Blutgefäße sowie deren Klassifizierung in Arterien und Venen, typischerweise anhand von Farbfundusbildern, die mittels Retinographie gewonnen werden. Die manuelle Durchführung dieser Aufgaben ist jedoch arbeitsintensiv und anfällig für menschliche Fehler. Obwohl mehrere automatisierte Ansätze vorgeschlagen wurden, leidet der derzeitige Stand der Technik unter manifesten Klassifizierungsfehlern, die die topologische Konsistenz der Segmentierungskarten beeinträchtigen. In dieser Arbeit stellen wir RRWNet vor, einen neuartigen end-to-end Deep-Learning-Framework, der diese Limitation überwindet. Das Framework basiert auf einem vollständig konvolutionellen neuronalen Netzwerk, das semantische Segmentierungskarten rekursiv verfeinert, um manifeste Klassifizierungsfehler zu korrigieren und somit die topologische Konsistenz zu verbessern. Insbesondere besteht RRWNet aus zwei spezialisierten Subnetzen: einem Base-Subnetz, das Ausgangssegmentierungskarten aus den Eingabebildern generiert, und einem Recursive Refinement-Subnetz, das diese Karten iterativ und rekursiv verbessert. Die Evaluation an drei verschiedenen öffentlichen Datensätzen zeigt die state-of-the-art-Leistung des vorgeschlagenen Ansatzes, wobei die Segmentierungskarten eine höhere topologische Konsistenz aufweisen und weniger manifeste Klassifizierungsfehler aufweisen als bestehende Verfahren. Darüber hinaus erweist sich der Recursive Refinement-Modul innerhalb von RRWNet als wirksam bei der Nachbearbeitung von Segmentierungskarten anderer Methoden, was sein großes Potenzial unterstreicht. Der Modellcode, die Gewichte und die Vorhersagen werden öffentlich unter https://github.com/j-morano/rrwnet bereitgestellt.