多模态医学图像可以弥补各种成像形式自身的局限性,为医生快速诊断和合理治疗疾病提供可靠依据。然而,临床上同时采集不同模态的医学图像需要花费大量的时间和财力。医学图像合成与融合是获得多模态医学图像的可行途径,因此,它引起了医学图像计算界的广泛关注。针对现有的医学图像合成算法需要对不同的输入模态数量分别搭建模型,缺乏通用性和灵活性的问题,本课题提出了一种有监督的可逆变量增强网络（invertible and variable augmented network,i VAN）,它不仅适用于单模态输入的合成,还适用于多模态输入的合成。为了更好地学习从源模态图像到目标模态图像之间的双向映射,并有效地将多个输入模态信息结合起来,本课题提出利用变量增强技术与仿射耦合层搭建i VAN模型。此外,还设计使用正向损失和逆向损失进行双向训练优化该模型,以避免产生模糊的目标模态图像。提出的模型也适用于多模态医学图像融合,具体而言,首先将待融合的图像堆叠作为网络的输入,然后经过训练好的i VAN模型得到融合图像。本课题所提出的模型在两个医学图像数据集上进行了相关的仿真实验。与单模态输入相比,当使用多模态输入模式时,合成效果有显著的提升,这表明该模型可以有效融合不同模态的互补信息,并利用它们的相关性来提高合成性能。此外,与多个经典的多模态医学图像融合方法进行对比,该模型在客观指标和主观视觉两方面都优于其他的多模态医学图像融合方法。