喉癌作为头颈部常见的癌症,其早期症状通常不明显,当其开始影响患者的生活质量时,往往已经发展到了中晚期。因此,尽早发现可疑病变,有利于病情的及时确诊和后续治疗方案的确定。目前,在喉部检查过程中广泛采用的是内镜白光成像技术,其对于发生在粘膜浅层的病变敏感度较低,窄带成像技术由于能够清晰显示粘膜浅层的微小病变,成为发现早期癌变的有力工具。但这种成像技术依赖于特定设备以及检查医师的操作,视觉感知的微妙差异,使得缺乏经验的医师难以识别粘膜表面的血管类型,从而造成早期病灶的遗漏,因此开展自动化的早癌辅助检测工作具有重要的现实意义。现有的自动化图像分析方法,大多采用全监督的学习方式,对于标注数据有大量需求。考虑到医学图像收集和标注所具有的挑战性,本文采用了在该类问题研究中展示出较大潜力的无监督和自监督学习方式,针对现有检查过程对设备和人工高度依赖的问题,在喉部图像生成与分类领域开展以下研究工作。（1）针对喉镜检查过程中依赖内镜设备及操作者主观判断的特点,提出一种无监督的喉部内镜图像生成方法,该方法无需完全匹配的图像对,能够为白光图像生成相应的窄带成像图像,在保留喉部复杂结构特征的同时,凸显粘膜浅层的微血管形态,便于医师快速准确地发现病灶。该方法通过对生成器网络结构进行优化,嵌入多尺度的跨层自适应模块,弥补基于循环一致性的无监督图像转换方法对图像局部细节捕获的不足。同时,设计结构差异损失建立输入图像与生成图像之间的联系,最小化两张图像的结构差异,提高生成图像的真实性和完整性。此外,引入特征降噪模块,减少噪声信息干扰,来提高生成图像的质量。通过消融实验和对比实验对所提方法的验证,结合量化分析结果和生成图像效果及局部细节分析,本文提出的方法生成的图像质量较好,且具有相对稳定的性能表现。（2）针对喉部粘膜浅层血管形态不规则且缺乏精确标注的特点,结合喉部局部血管组织的特征,提出一种基于自监督学习的双阶段喉部血管分类方法。第一阶段,采用对比学习框架Sim CLR训练patch-level级特征提取网络,学习无标签数据的内在特征。之后利用patch块的标签信息进行监督训练,学习类间的差异特征。第二阶段的SACO-Net与阶段一共享特征提取网络,聚合喉部图像的局部特征,通过自注意力机制建立patch块间的长距离依赖关系,为主干网络提供图像的全局信息。在网络输出预测结果后,设计类别激活蒸馏分支,将阶段一的局部特征分类网络知识作为辅助监督信号,计算相应的类别偏移损失,促使网络关注关键区域,提升血管分类性能。除了针对方法本身设计的消融实验外,本文还与其他主流监督学习方法进行量化对比,并结合类别激活图的可视化结果以及样本增量实验的分析,进一步验证所提方法的性能与潜力。