光学相干层析（Optical Coherence Tomography,OCT）是一种利用光的干涉现象对样本进行断层扫描的成像技术,因其对人体无伤,成像深度大,成像分辨率高,对生物组织的层析能力强等特性而被广泛地应用于医学诊断和辅助治疗之中,尤其在眼科前景广阔。但是,目前主要有两个问题阻碍了OCT技术的进一步发展:1)低相干干涉成像引入的散斑噪声问题。OCT成像系统采用宽带光源,在进行低相干干涉成像时由于相位差的存在会不可避免地引入散斑噪声,导致采集到的OCT图像质量较差,从而影响诊断结果的精确性;2)加速采样策略造成的低分辨率问题。虽然目前OCT图像去噪方法众多,但是在商用扫描仪中,无噪声的OCT图像主要是通过在同一样本的同一部位连续快速地采集多张噪声图像,然后对这些图像进行配准和平均来得到。然而,在实际采集过程中,由于受试者无意识的身体抖动或者眼球运动,无法严格地得到完全配准的同一部位的OCT图像,因此平均之后的结果中可能会引入伪影或者丢失细节信息。为了降低运动模糊带来的影响,临床设备中普遍通过降低采样率来加速扫描过程,但是这种做法会引入第二个问题,即采集得到的OCT图像分辨率较低。为了解决上述两个问题,本文结合深度神经网络,设计实现了以下两个算法:（1）基于生成对抗网络的有监督OCT图像同时去噪和超分辨率重建算法,称为SDSR。与其它的方法不同,该方法首次创新性地提出将OCT图像去噪和超分辨率重建这两个单独的任务耦合到一个神经网络模型中进行处理。为此,结合前人的工作,本文提出的SDSR算法设计了一个高效的特征提取模块和一个迭代上下采样的超分辨率重建模块。通过在临床OCT图像数据集上与现有方法的对比结果,可以看出本文提出的SDSR算法能够在有效地去除散斑噪声的同时增强OCT图像的分辨率,而且超分辨率倍率越高,SDSR算法的去噪和超分辨率重建效果相比于其他方法优势越明显。（2）基于生成对抗网络和解耦表示的无监督OCT图像去噪算法,称为DRGAN。监督学习模型的训练需要大量的配对数据,而在临床实际中,获取足够数量且完全配对的OCT图像非常困难。因此,本文借助于生成对抗网络和解耦表示实现了DRGAN这一无监督OCT图像去噪算法。具体来说,DRGAN首先通过相应的编码器将带有散斑噪声的OCT图像解耦为内容部分和噪声部分,然后利用图像生成器生成去噪之后的OCT图像。除此之外,本文还创新性地提出噪声对抗的方法以更好地实现内容和噪声的解耦。通过大量的定量和定性实验可以看出,DRGAN算法对于OCT图像中散斑噪声的抑制能力明显优于一些传统方法,相比于一些基于监督及无监督学习的算法也非常具有竞争力。