条件生成对抗网络(Conditional Generative Adversarial Nets,cGAN)是为了解决生成对抗网络(Generative Adversarial Nets,GANs)训练不可控的问题,在网络中加入监督信息的GAN衍生模型,整个网络由生成器和判别器两部分组成。生成器和判别器对立统一的训练方式使该模型有如下优势:(1)对训练数据数量的需求较少。(2)生成影像的质量较高。(3)模型结构可与其他神经网络结合。本文围绕条件生成对抗网络模型,针对视网膜OCT影像生成和视网膜OCT影像分割两个任务,对cGAN模型做出有效改进。训练数据的类不均衡问题严重影响医学影像分类算法的性能。为了扩充病变数据集,本文研究了一种基于改进cGAN的OCT影像生成端到端框架,引入结构相似度指标(structural similarity index,SSIM)损失,改进后的方法能够利用正常视网膜影像生成三种病变视网膜OCT影像。生成的图像具有视网膜的自然结构,病变区域在视觉上与真实病变影像相似。本文还基于分类网络测试了加入生成影像训练后的分类性能,实验结果进一步验证了本方法的有效性。影像分割一直是医学影像处理的重点任务。本文围绕cGAN,对网络模型做出改进,改进后的cGAN模型用于色素上皮层脱离(Pigment epithelium detachment,PED)和视网膜下积液(Subretinal fluid,SRF)的自动分割。在分割任务中,本文在生成器网络结构中引入残差块,将病变区域分割问题转换成像素级别的分类问题,结合L1损失和Focal损失,解决视网膜背景区像素点多于病变区像素点的问题。最后,我们将本方法结果与其他方法进行对比,实验使用Dice系数、真阳性率、假阳性率等指标对分割结果评估分析。结果证明,改进了生成器结构和损失函数的cGAN模型可以在AI Challenger官方OCT数据上精确分割出PED和SRF区域,对比未改进前方法,本方法分割的两种病变的Dice系数分别增长2.54%和4.87%,准确率较高。