随着医学影像技术不断发展,各种模态的医学图像广泛地应用于临床疾病诊断、辅助手术以及健康检测等领域。由于成像技术的局限性,采集的医学图像往往存在模态单一、图像分辨率不高等问题,不利于后续医学图像的临床应用。医学图像增强技术能有效改善图像质量,包括医学图像融合、医学图像超分辨率等。基于卷积神经网络的医学图像增强是当前研究热点,并取得了巨大的性能提升。大部分卷积神经网络的增强结果在含参考图像的数据集中进行监督学习得到,但在医学图像增强领域中的参考图像很难获取。生成对抗网络（GAN）作为一种可以通过无监督学习的卷积神经网络结构,能有效解决无参考图像难题。因此,本文针对基于生成对抗网络的医学图像增强算法展开研究,具有重要的实际医学应用价值。本文的主要研究内容及创新如下:1)提出了一种基于半监督学习和GAN的医学图像融合算法。现有基于深度学习方法主要依赖于大量的含标签（参考图像）数据集,但是针对医学图像融合任务的参考图像获取难度较高。为了能充分利用稀少的标签数据集,本文采用多阶段训练实现半监督学习,提出基于半监督学习和GAN的医学图像融合框架。在不同模态的医学图像融合实验结果表明,本文提出的框架能够较好的完成医学图像各个模态有效信息的融合。2)提出了一种基于SRGAN的医学图像超分辨率算法。在SRGAN的网络模型中,只考虑到了浅层特征到深层特征的恒等映射,而没有很好地考虑到注意力机制对网络性能的提高。因此本文对SRGAN的网络结构进行改进,使用SAAB（Spilt Attention in Attention Block）模块替换SRGAN中的残差模块。在训练中使用WGAN的思想对网络进行训练,可以有效解决SRGAN中出现的模型崩溃、梯度爆炸等问题。在不同模态的医学图像超分辨率实验结果表明,本文提出的框架可以很好地完成医学图像的超分辨率任务。3)提出了一种基于GAN的多任务医学图像增强算法。为了获得高分辨率的医学融合图像,现有技术往往分别单独采用图像超分辨率和图像融合,导致了计算代价较大。本文将超分辨率网络分支和融合网络分支的特征提取部分实现参数共享,完成图像融合和图像超分辨率两个任务整合到一个框架中。在不同模态的医学图像超分辨率和融合实验结果表明,本文提出的框架能够在实现多模态医学图像融合的同时,还能提高融合图像的分辨率。