阿尔兹海默症的临床诊断多综合使用脑部磁共振（Magnetic Resonance,MR）图像和正电子发射型计算机断层显像（Positron Emission Computed Tomography,PET）,但同时获取两种模态的图像会花费更多时间和精力。若能通过深度学习技术从MR图像合成所需的PET图像,将会给患者及临床诊断带来很大便利。随着深度学习的发展,生成对抗网络已广泛应用在医学图像合成任务中。因此,本文主要研究基于生成对抗网络的PET图像合成算法,目标是从磁共振图像合成PET图像。针对现有医学图像合成算法存在合成图像模糊、峰值信噪比低的问题,本文的主要工作有以下两个方面:从优化网络结构的角度,设计一种基于改进的pix2pix的PET图像合成算法。将改进的残差初始模块引入到生成器中,通过增加网络深度,提高生成器的特征提取能力。在生成器中引入注意力机制,使生成器更注重图像中的关键特征。采用具有不同感受野的多尺度判别器对合成PET图像进行判别,从而提升生成器的合成能力。最后,在损失函数中融合多尺度结构相似损失,使合成PET图像更接近真实图像。从引入边缘检测器的角度,设计一种基于改进的Ea-GAN的PET图像合成算法。将边缘检测器引入到生成对抗网络中,通过边缘检测器将图像的边缘信息融入到对抗训练中。改进Ea-GAN中的判别器结构,通过缩小判别器的感受野,使判别器更加关注图像中脑组织的细小信息,从而提升生成器的性能。算法还将真实PET图像与合成PET图像的边缘损失融入到损失函数中,进一步提升生成器的性能。ADNI数据集上的对比实验表明,基于改进的pix2pix的PET图像合成算法能很好地学习PET图像的多样性,合成PET图像的MAE、PSNR和SSIM指标都有一定提升。基于改进的Ea-GAN的PET图像合成算法合成的PET图像脑组织结构完整,视觉上十分接近真实图像,合成PET图像的定量指标优于其它算法。