医学图像广泛应用于各类医疗诊断任务中。然而,在医学图像成像过程中,容易遭受环境干扰等因素的影响,出现获取的医学图像质量不佳或者感兴趣区域细节丢失等情况,给诊断带来障碍。传统的对比度增强方法可以有效提升图像质量,但是大部分方法在增强后会造成图像细节信息有不同程度的损失。对于医学图像而言,细节信息可能是诊断和治疗的关键。另外,现有的对比度增强算法大部分基于图像全局进行增强,但是在使用医学图像的时候更多关注的是感兴趣区域的质量（例如解剖学结构、病理区域等）。增强图像全局会同时增强背景,可能造成感兴趣区域的增强效果不佳。除了传统的基于先验的方法,基于学习的方法在图像质量增强领域中也发挥着重要的作用。现有的基于深度学习的医学图像增强方法可以根据训练方式分为有监督学习和无监督学习。有监督学习需要大量的标注数据,这对于医学图像来说获取难度较高。而无监督学习能减少对配对数据的依赖,但是由于缺乏结构约束,容易造成图像感兴趣区域的细节丢失。针对上述的医学图像对比度增强遇到的问题,本文提出了一种基于弱监督病灶定位的可逆对比度增强算法。弱监督病灶定位可以仅通过图像级别的标注进行病灶区域的定位。同时结合感兴趣区域可逆对比度增强算法,可以实现对病灶区域的对比度增强,而且增强图像能够无损地还原回原始图像。为了减少深度学习模型对配对数据的依赖,同时保持增强过程中图像结构的完整性,本文提出了一个基于半监督学习的生成对抗网络用于提高眼底图像的质量。为了减少对配对数据的依赖,模型采用半监督学习的方式进行训练。在模型中引入感兴趣区域结构约束用来保证图像结构完整性。实验结果表明,本文提出的方法能够很好地提升医学图像的质量,并且能够保持图像增强前后的结构稳定。