构建基于深度神经网络的医学图像辅助诊断系统,可以提高临床诊断的客观性和准确性,已成为学术界的研究热点。深度神经网络的训练往往需要大样本、高质量的数据集,而现有的医学图像集普遍存在小样本、纹理欠清晰、大小不一致等问题,因此,进行医学图像的超分辨率重建和医学图像数据集增广具有较为重要的科学价值和临床意义。为了更好地解决上述问题,本文进行了较为深入的研究。主要的工作和成果如下:首先,针对医学图像欠清晰且大小不一的问题,提出了一种基于稠密残差块的拉普拉斯金字塔级联式生成对抗网络(Dense-LAPGAN),对医学图像进行超分辨率重建。该网络通过网络特征矩阵以及网络权重参数的复用来增加网络的有效深度,从而在提升网络性能的同时减少网络的训练用时与资源损耗。同时,通过在各级网络中添加稠密残差块结构,使网络的性能得到了进一步的提升,提高了网络超分辨率重建结果的准确性。仿真实验结果表明,本文所提出的网络对自建数据集以及Deep Lesion公共数据集进行超分辨率重建后其图像峰值信噪比在4X放大情况下达到了32.45d B,在8X放大情况下达到了25.12d B,其超分精度较目前较为流行的超分方法提高约3%。其次,针对医学图像的小样本问题,提出了一种加入了过渡机制的拉普拉斯金字塔残差生成式对抗网络,该网络在Dense-LAPGAN的基础上加入了网络间“过渡机制”,从而获得了更好的学习能力,在实际训练过程中可以使网络更快地收敛且不易出现模式崩溃或生成大面积伪影。同时,还在此基础上向网络中加入生成参考,使生成医学图像更加符合患者的解剖学结构,从而增加所增广数据集的真实性。在本文所做的仿真对比实验中,本文所提出网络增广的数据集相较于PGGAN网络在创造分数指标上的得分更高,达到了7.71,较其他方法上升约6.9%。本文使用三种不同的无监督语意分割算法分别对肝脏、乳腺、大脑三种图像进行分割来验证经本文方法增广后医学图像数据集的有效性。经仿真试验表明,相同试验条件下,三种分割算法在本文方法所增广数据集上的平均交并比较经仿射变换增广的数据集提高约1.1～1.5。证明本文所提出的图像数据集增广算法可以确实地提高网络的性能。最后,构建了一个仿真系统,实现了对图像的读写、图像处理方式选择、网络参数设置以及网络模型训练、储存等功能。大体满足了网络实际使用的需求,使使用者可以脱离命令行对网络进行相关操作。