绝经期泌尿生殖道综合征（Menopausal urogenital syndrome,GSM）严重影响妇女的健康和性功能的质量,但是由于人们对病理的不了解,往往导致病情得不到及时治疗而恶化。目前,对GSM的诊断主要通过咨询患者阴道日常反映状况对病情进行评估。本文针对当前诊断手段单一、GSM的私密性以及手工医学诊断的复杂性,提出光学相干断层扫描（Optical coherence tomography,OCT）医学图像和深度学习相结合的方法对GSM实现自动诊断。并通过卷积生成性对抗网络,为医学图像普遍存在的类别不平衡问题提供新的选择。将该方法应用于实际,会辅助医生让诊断过程变得更加快捷方便,也会有效缓解女性对诊断过程的抵触情绪,对GSM的临床诊断治疗具有重要意义。本文的工作内容如下:1.针对GSM疾病的诊断方式较为单一,缺少医学仪器的辅助问题,提出用OCT采集GSM图像,实现对阴道的实时成像,让诊断更加有依可循。本文采用带有内窥探头的扫频光学相干层析成像（Swept frequency OCT,SSOCT）系统采集GSM图像,对健康人群、GSM、以及接受CO2激光治疗的妇女进行图像采集,为实现对GSM诊断的卷积神经网络提供数据。2.由于OCT采集的GSM图像（GSM-OCT）存在类别不平衡的问题,会造成卷积神经网络模型对数据的偏倚性,本文采用对特征具有还原能力的卷积生成性对抗网络（DCGAN）,通过对判别器和生成器的训练,合成了GSM-OCT的新图像,在不影响图像原始特征的前提下,基于DCGAN实现了GSM样本种类的均衡。将DCGAN处理前后的数据分别训练Mobile Net模型,通过测试集对比实验验证了类别不平衡对模型分类性能的影响,DCGAN处理后的数据提高了模型对GSM-OCT识别的准确率。3.由于医学图像的稀缺性,采集的GSM-OCT数量有限,需要在训练模型前先对数据集扩增,通过几何变换、颜色变换增强、Grid Mask数据增强几种方法实现了对GSM-OCT数据集的扩增。将扩增前后的数据做Mobile Net模型对比实验,最终验证了数据的大量扩增对卷积神经网络的训练具有必要性。4.针对以往的GSM识别主要依靠专家经验判断,诊断效率低的问题,引入了Mobile Net卷积神经网络模型,实现了对GSM的实时智能诊断。Mobile Net网络的平均精度为98.77±0.19%,准确率达到98.48±0.17%,测试时间0.77s。在不影响分类效果的前提下,Mobile Net相比于其他四种常见的卷积神经网络（Le Net5、Inception V3、VGG16、Res Net50）,模型的优势为参数量最少,训练和测试速度都是最快的,具有实用性和高效性。Mobile Net模型能够实现对GSM、接受分数像CO2激光治疗的图像（Under Treatment）以及健康人群（Normal）图像的快速诊断。