近年来,人工智能在诸多领域都取得了重大进展,如生物医学、智能交通、智能家居等。医学图像处理是生物医学领域热门的研究方向之一,随着人工智能技术的飞速发展,尤其是深度学习的兴起,该问题有了新的解决方案。应用深度学习技术解决常见的医学图像处理问题已经取得了一定的进展,但仍存在以下挑战:1)医学图像的获取耗时长、花销大,某些图像的获取甚至会对人体产生伤害,如何避免这些限制获得充分的医学图像辅助医生诊断?2)目前基于深度学习模型生成的医学图像并不清晰,如何改进当前的网络模型进而生成高质量的医学图像?3)部分方法对实验数据集的要求很高,如成对匹配的数据、标签完备的数据等,如何改善方法以降低网络模型对数据的强依赖性?4)现有模型生成的医学图像时常会出现“条形影痕”（伪影）,以致生成图像质量不高,如何解决伪影问题?针对以上诸多挑战,本文开展了如下的研究工作:首先,针对高精度医学图像的生成问题,本文基于深度学习网络模型的理论构想,提出了一种基于多级残差的深度模型Res VNet&PatchGAN。该模型的生成网络接收一个随机的噪声,通过这个随机噪声生成一张完整图像,判别网络用于判断一张张图像是否为“真”。与此同时,为了进一步提高生成图像的质量,该模型增加了多级残差与子块生成式对抗网络模块,以此提升Res VNet&PatchGAN模型的信息传输效率。此外,该模型还通过随机裁剪、数据增强等手段进一步提高生成图像精度及模型鲁棒性。最后,通过高精度的网络模型生成医学图像,可以减少病人的检测时间以及检测中的伤害。其次,针对数据集的苛刻要求以及在模型生成图像时所产生的伪影,本文提出了一种基于迁移学习与深度学习的网络模型（Dual3D&PatchGAN）。就网络模型的细节而言,该模型主要采用了生成式对抗网络、3D卷积、子块-生成对抗网络等模块,并通过将原始二维的网络模型修改成三维,生成网络每次生成一个小的三维块,进而解决二维的网络模型生成的图像有条形“影痕”问题。由于Dual3D&PatchGAN模型是基于迁移学习而建立的网络模型,所以该模型对数据集的要求没有那么高,也不需要图像一一配对,仅需要选取两个域中质量较好的图像即可,这在临床医学中更有实践意义。就实验结果来看,Dual3D&PatchGAN整体优于其他模型的结果。