近年来对于图像合成的研究已经取得了不小的进展,但是在一些医学领域的图像合成问题上依然存在着不足,其中包括对主动脉夹层增强扫描图像的合成研究。在主动脉夹层的临床诊断中,CTA图像诊断优势要远强于平扫CT图像。但是CTA图像所采用的增强扫描存在一定的弊端,因而利用深度学习技术构建网络模型,将平扫CT图像合成为CTA图像,对医学影像辅助诊断具有重要意义。本文先后提出了基于通道注意力机制的主动脉夹层增强扫描图像合成方法以及基于主动脉分割图像的合成方法。主要内容如下:（1）制作图像合成数据集。对受试者分别采集胸腔CT平扫图像和增强扫描后的CTA图像,将图像人工分类为存在和不存在主动脉夹层病症用例两类。针对器官运动和人体呼吸导致的图像空间位置上不一致问题,采用医学图像工具对采集的CT平扫图像和CTA图像进行配准对齐。为了排除其他器官干扰使模型更有针对性,对采集的图像制作多组主动脉标签,并通过分割网络获得多组仅包含主动脉区域的成对CT和CTA图像。（2）结合主动脉夹层病症的特征,构建了一种基于通道注意力机制的主动脉夹层增强扫描图像合成模型。利用Fcd Net模块能有效获取信息的特点,所提方法能够很好捕捉主动脉夹层撕裂边缘等信息,提高图像合成的质量。最终通过对比实验,验证了提出的方法在主动脉夹层的合成问题上具有更好的效果。（3）构建了基于主动脉分割图像的合成模型。本文对主动脉分割后的图像提出了基于级联生成对抗的主动脉夹层增强扫描图像合成方法。其核心思想是在通道注意力机制的基础上,构建一个级联生成器以及双重判别器组成的网络,进一步提升合成图像质量。为了证明模型中各个模块的有效性,本文进行了对应的消融实验。最终实验结果表明本文提出的方法对比其他模型,有更好的合成效果。