医学影像的特点是异常情况复杂多样,而且每种异常的样本数量太少,导致正负样本极度不均衡,很难用常规的神经网络训练得到一个好的结果。除此以外,医学影像的异常只有专业的医疗方向研究人员可以辨别,这给医学影像的标注带来了极大的困难,也提高了标注的成本。基于医学影像异常检测的上述特点,本论文提出了两个基于半监督的异常检测的改进算法对医学影像进行异常检测。两个模型的训练过程不需要异常样本,只使用正常的医学影像就可以完成模型的训练,符合医学影像正常样本和异常样本极度不均衡的实际场景。本文在对模型分别根据实际场景的需求进行改进,提升了模型异常检测的能力,主要内容如下:（1）本文以人体骨骼为主要研究对象,收集了大量的人体骨骼医学影像来制作数据集,对人体骨骼医学影像进行了预处理。由于收集到的人体骨骼图像大小不一,且大部分尺寸较大,因此使用随机切割的方法,在每张图中随机切割50张大小均为64x64的图像小块,最后生成模型的训练集。（2）提出了基于自编码器的改进模型应用于医学影像的异常检测。为了提高自编码器的重构能力,在自编码器的编码器和解码器之间加入记忆增强模块,提高了模型对正常图像的重构能力,以及都异常图像的检测能力。除此之外在自编码器中加入双判别器,不仅能够通过双判别器提高模型的重构能力,而且能有效避免模式崩溃问题。在测试阶段,经过双判别器对抗训练的自编码器,能够很好地重构正常的图像,同时判别出异常的图像。（3）提出了一种改进的GANomaly异常检测模型,该模型在GANomaly的基础上提出了三方面的改进:首先,对模型加入了图像修复模块,通过训练修复被破坏的图像部分,来更好地学习正常样本的细节特征,提高模型对正常图像的重构能力;其次,在生成网络中加入跳层连接,可以更好地学习到图像的细节特征,提高模型的重构能力和异常检测能力;最后,为了更好地提高模型的重构能力和训练的稳定性,对模型结构进行优化,生成器不再是从编码到编码的比较,而是输入图像和重构图像的比较。判别器也设置为一个自编码器,用于接收生成图像,更好的识别原始图像和生成图像之间的差异。与此同时,对网络的损失函数也做了相应的变化,异常分数的计算是由输入图像和重构图像之间的残差分数来得到。基于上述研究,经过大量测试数据对改进后的算法进行验证研究发现,基于自编码器的改进模型与基于GANomaly的改进模型均在异常检测性能方面较之前得到了明显的提升。但是基于GANomaly的改进模型的异常检测能力、稳定性等各个方面均优于基于自编码器的改进模型。