光相干层析扫描技术（Optical Coherence Tomography,OCT）因具有非侵入性和微米级分辨率的优点而成为眼科疾病诊断的重要工具。然而,基于OCT技术的诊断存在两个无法避免的问题。首先,采集的OCT图像中存在大量斑点噪声;其次,在采集过程中,为了尽可能避免数据丢失,通常采用低空间采样率进行采样,但由此得到的OCT图像具有较低的分辨率。因此,当前临床上需要可行有效、并能同时实现OCT图像去噪和图像超分辨率的算法。针对OCT图像去噪和图像超分辨率任务,所提算法可分为稀疏表示方法和深度学习方法。稀疏表示方法存在效率低和细节信息丢失等问题,现有深度学习方法存在分层边界不清晰和图像平滑等问题。近年来,生成对抗网络在图像转换任务中取得了优秀的结果,OCT图像去噪与超分辨率同样可视为图像域的转换任务,因而本文主提出了两种基于生成对抗网络的方法,具体介绍如下:（1）提出了一种反投影注意力网络的方法。该方法将图像去噪与超分辨率视为图像域的转换任务,生成器在判别器的对抗和感知损失的约束下,生成更高质量的高分辨率无噪图像。其中,生成器网络中融入了残差学习、反投影学习和注意力机制,残差学习用于提取低分辨率图像的深层次特征信息,反投影学习低分辨率图像和高分辨率图像间的相互依赖关系,注意力机制对高分辨率特征进行注意力资源的再分配。判别器中引入了相对平均判别器的思想,通过计算相对真实和虚假的概率来代替绝对概率。实验结果表明该方法在去除噪声和超分辨率的同时可以重建出具有清晰结构的图像。（2）提出了一种基于生成对抗网络的无监督方法。由于监督方法在训练过程中需要严格对齐的数据,并且现有基于循环生成对抗网络（Cycle-Consistent Adversarial Networks,CycleGAN）的无监督方法仅能实现图像风格的迁移,即生成图像质量较差。针对该问题本文提出了一种新的无监督方法,该方法将OCT图像去噪和图像超分辨率视为一个两阶段问题,通过原始的CycleGAN网络和额外的约束网络来逐步实现这一任务。即CycleGAN网络实现图像的去噪过程,额外的约束网络实现LR无噪图像的超分辨率过程。在CycleGAN方法中通过循环一致性损失和对抗损失来指导该模型的训练。在额外引入的网络中,通过重建损失和对抗损失来对其进行约束。从实验结果来看,该方法在主观视觉上较优于对比的监督方法和无监督方法,在客观指标上略差于监督方法。最后通过公开的OCT图像层次分割软件对重建结果进行自动分割,进一步证明了本文所提方法的有效性。