在现代医学图像的采集过程中,存在许多成像方式,它们往往涉及许多不同类型的设备或是同种设备的不同参数设置,借此来为医生的诊断提供多视角的信息。它们能够突出显示相同解剖结构下的不同组织与病变信息。然而,由于多模态成像检查过程需要较长的时间,可能因为病人难以配合或者采集图像被噪声或伪影破坏而导致某些模态下的图像缺失。另一方面,图像模态的不同可能会给医学图像中自动分析算法带来困难,因为一种图像分析算法的提出往往基于一种特定的图像特征,而难以扩展到其它模态的图像中。针对这些问题,图像合成算法被广泛应用到医学图像处理中,帮助后续的医学图像分析算法。在此背景下,本文分别针对多模态磁共振成像(MRI)的完备序列和光学相干断层扫描(OCT)图像的噪声自适应提出了基于深度学习的合成以及合成联合分割算法。通常MRI序列中包含多个图像模态,而大多现有的图像合成算法无法灵活而高效地同时处理多个模态。针对多模态MR图像合成,本文第三章提出了一个多输入(和多输出)结构的合成方法模型,它不依赖所有的输入来合成输出,但可以利用额外的输入来帮助实现合成更逼真的图像。同时对抗学习强大的合成能力也被使用来提高合成图像的质量。注意力机制被引入到鉴别器中,帮助鉴别器更好地学习多尺度特征。梯度检测器更好地保护了医学图像中的组织结构信息。实验结果表明,此方法合成的图像具有良好的质量。在OCT的分割算法中,许多基于机器学习的算法都假设训练和测试数据有同样的特征分布。然而使用不同设备或者同种设备不同参数采集的OCT图像带有不同水平和类型的噪声。本文第四章提出了一种噪声自适应的合成分割算法。通过对抗学习将未标注的数据通过合成转化为和已标注的数据带有相同的噪声分布,但内容结构不变的数据。再使用经过已标注数据训练好的分割器,对转化后的数据进行分割,就能获得未标注数据的分割结果。其中保持数据的内容结构和转化噪声分布分别由两个结构不同的鉴别器来监督完成。实验结果表明,此方法能取得良好的分割效果。