医学影像在诊断管理和医学治疗中起着至关重要的作用。影像检查已经成为一种非常普遍的检查方法。影像医生需要浏览大量影像,撰写内容准确、结构规范、语义清晰的诊断报告,这给医生带来了极大的挑战和工作量。近年来,人工智能尤其是深度学习在各种任务中取得了巨大进步,深度学习也为医疗报告的自动生成提供了更多可能。医疗报告文本自动生成模型可以自动解读医学影像内容,分析其中包含的病灶信息,再将信息转化为医疗报告,具有极大的临床应用价值,受到学者们的广泛关注。医疗影像报告自动生成任务可以近似归类为由图片生成文字,从早期的模版生成方法,到编码解码模型,再到注意力机制、Transformer以及BERT、GPT,极大的提高了文本自动生成的流畅度。然而,由于医疗报告与其他普通长文本具有截然不同的语言特点和使用场景,其需要具有极高的规范性和准确性,目前该任务仍存在较大的挑战。首先,由于影像解读的模糊性和歧义性不可避免,极大的影响了文本报告生成的准确度。使用历史报告的信息可对上述问题有所缓解,然而简单将历史报告作为输入,往往会出现无法平衡历史报告信息与当前诊断信息的情况,使历史报告信息成为影响生成效果的噪音。进一步,历史报告中包含丰富的结构信息,如何利用该结构信息,使得模型在生成长文本报告的过程中,为其所生成报告增加逻辑和内容上的约束与提示,是需要考虑的重要问题。其实,在模型评估上,现有方法大都采用了与其他领域长文本生成任务相通的模型和指标。医学报告这种特定文体在结构上的鲜明特性和用词准确率上更高的需求未被利用和重视。本文主要关注于基于医学影像解读出的关键字列表生成准确而规范的文本报告这一环节,针对上述挑战,对融合历史信息的医学报告自动生成技术展开研究,本文主要贡献如下:（1）提出多层注意力辅助的医疗报告生成模型。在该模型中,历史报告和影像解读的关键字作为输入,同时构建两种注意力组件,一种用于从关键字列表中学习重要的语义和顺序信息,另一种用于学习当前关键字列表与历史报告之间的相关性。模型表现出了超越基准模型的生成效果。（2）提出了基于树结构的医疗报告生成模型。为了进一步提升医疗报告的准确性并利用好其文本结构相对固定的特点,本文将树结构引入基于历史报告的文本生成模型中,提出了基于树结构的医疗B超报告自动生成方法。在该方法中,分别针对关键字和历史报告,设计了文本-树结构转换模块、树结构-矩阵转换模块以及结构压缩方法,解决了树结构如何生成、树结构如何表示、树结构的规模如何控制等关键问题。模型在真实的医疗数据集上进行了实验,在BLEU1～BLEU4上均接近或超过了0.9的评估结果。（3）提出了基于树结构的医疗报告评价指标。为了衡量医疗报告结构和用词的准确性,利用文本-树结构转换模块将生成报告与目标报告转换成树结构,使得从根节点到叶子节点的一条路径能够清晰完整地表达出在某个器官的某一处的某个性状或指标表现出来的特点。在此基础上,提出了基于树结构的评价指标（Tree Structure Aware Matrix,TSAM）、多关注点指标和相应的评价方法。实验结果表明,本文提出的评价指标能够更细粒度的衡量生成的报告质量,如报告对病灶位置的描述是否准确,病灶是否缺失,病灶属性对应描述是否准确等,更加契合医生对报告质量的关注。