细观结构建模是机械、材料、生医工程力学分析的基础需求,特别在当前交叉学科研究发展背景下,需要开展骨组织结构类的计算机图像的构建。骨组织是人体最重要的组织之一,骨组织结构研究与制备需要对骨多孔结构进行建模,其中构建方法常常是以二维骨多孔图像为基础,通过数学方法进行重构。这种方法简单高效,适用范围广,其问题关键在于,需要大量且多样性丰富的骨多孔图像,否则重构出的结构就会单一不具可变性。随着社会发展计算算力地提升,深度学习加快了图像处理和生成的需要,利用生成对抗网络可以生成重构出大量且多样的骨多孔切片图像,方便了后期的三维重构。具体的研究内容有:首先,研究并制作了骨多孔切片图像数据集。通过显微镜拍照获取生物骨多孔切片图像。再经过数字图像处理和数据增强,制作了骨多孔切片图像数据集。然后,研究了生成对抗网络在骨多孔切片图像重构中的应用。在生成对抗网络中加入注意力机制,得到改进后的网络PSAGAN,运用Fréchet Inception距离（FID）对比其他生成网络。考虑到现实骨多孔图像信息的局部性,引入了新的嵌套残差密集块（RRDB）,得到改进后的条件生成对抗网络（RRDB-PSA-pix2pix）对局部骨多孔切片图像进行重构,并创新性地提出了闵可夫斯基泛函判据对模型进行筛选。进而,对生成的骨多孔图像进行综合评价。本文从图像质量、结构特征、统计函数和各向异性以及物理仿真来对生成的骨多孔图像进行相似性评价。实验结果表明,改进并提出的网络重构出的图像相似且多样。最后,开发并设计了多孔生成与评价的软件系统。骨多孔图像重构的模型和评价方法众多,本文使用PyQt5将模型生成过程和图像评价方法统一封装在软件系统中,使得操作方便快捷。本课题利用生成对抗网络对骨多孔图像进行重构研究,提出了两类重构效果较好的网络模型,为后期对骨多孔结构三维建模提供了物质基础和研究方法。