在现如今海量的数据环境和高效的性能要求下,深度学习算法因其具有的多层非线性结构而具有非常强大的特征表达能力和建模能力,已经在许多任务中逐渐取代了传统算法。现代医学中,医生主要依靠各种模态的医学影像图像做出诊断及治疗计划。医学影像图像的种类很多,如计算机断层扫描成像（CT）、核磁共振成像（MR）、正电子发射计算机断层显像（PET）等。不同模态的医学图像能够提供不同的信息,借助深度学习算法分析和处理医学图像能大大提高诊断的效率和准确性。受限于带标签数据的匮乏,本文的研究重点集中于不同模态的医学图像的转换及模拟图像生成上,并探究利用模拟医学图像辅助其他医学任务的有效性。本文使用的算法是深度学习中的图像生成算法,主要是生成对抗网络（GAN）和变分自编码器（VAE）。并借助辅助分类生成对抗网络（ACGAN）、分割网络UNet和残差网络（ResNet）的思想提高网络模型的有效性和鲁棒性。此外,为了处理三维的医学图像,本文所有使用的数据预处理操作和模型结构均是三维的,这最大程度保留了数据完整性,提升了算法性能。具体而言,本文主要开展了如下的研究工作:（1）针对混合成像PET/MR衰减校正误差问题,我们借助条件式生成对抗网络（CGAN）结合分割网络UNet和残差网络（ResNet）的思想设计了一个深度生成式模型3D VCGAN。我们利用该模型实现腹部多模态MR到模拟CT的转换,再利用得到的模拟CT图像重建PET图像,从而实现一种非直接的PET/MR混合成像方法。与PET/CT相比,PET/MR具有很多优点,但会呈现出较大的标准摄取值（SUV）误差。实验证明,我们的方法能获得最高的精度,并将所有评估器官的SUV误差降低至5%及以下。（2）针对多对比度MR图像合成问题,我们结合条件式生成对抗网络（CGAN）、条件式自编码器（CVAE）和辅助分类生成对抗网络（ACGAN）的思想设计了一个条件自编码辅助分类生成对抗网络（CAE-ACGAN）。该网络结合了多种深度生成式模型的优点,用于实现单CT到多模态MR图像的一对多的反向转换任务。实验结果证明了我们所设计模型的有效性和鲁棒性。（3）针对具有挑战的跨模态MR-CT变形配准问题,我们提出了一种由模拟CT（sCT）引导的非直接的跨模态图像配准和异常图像修复方法。我们使用条件自编码辅助分类生成对抗网络（CAE-ACGAN）实现脑部多模态MR图像到模拟CT图像的转换,并借助得到的模拟CT作为中间媒介将跨模态MR-CT配准转换为同模态sCT-CT配准。在这个过程中,我们不仅可以得到配准后的MR图像也以CT为标准自动修复了可能受污染的异常MR图像。