随着现代生物医学图像的发展,医疗设备成像技术在人体内部组织检查和诊断中发挥了越来越重要的作用。但是,由于医疗设备的差异和环境的影响,通常会产生质量参差不齐医学图像,例如,潮湿的环境和金属医疗器械的反光会使得图像的关键部位被镜面反射遮盖,或者在光照条件差的环境中会产生质量较低的图像,这些图像会对医生的阅片效率和疾病的诊断产生一定影响。因此,研究修复具有镜面反射的图像以恢复被遮盖的区域和提高医学图像的质量,对临床医疗诊断具有重要意义,可以为医生提供更准确的信息。本文主要研究基于生成对抗网络的图像修复算法,用于内窥镜图像镜面反射修复和低质量图像增强。首先,根据内窥镜图像镜面反射的特征使用传统图像处理方法对图像进行预处理,增强图像局部反光的效果。经过预处理的图像对比没有预处理的图像修复后的均方误差减小了18.2%。其次,使用基于深度学习生成对抗网络的图像修复方法对镜面反射区域进行填充,本文提出了添加自正则化损失和跳跃链接训练两个对称的网络结构以实现去除镜面反射的算法。实验通过计算均方误差、峰值信噪比、结构相似性指数验证了本文反光修复方法的有效性。最后,为了进一步提高修复后内窥镜图像的质量,本文基于循环生成对抗网络的增强方法添加了光照正则化和损失函数,将修复后的内窥镜图像标注为低质量和高质量图像用于训练神经网络。目前已经存在许多风格迁移的图像增强技术,但在医疗图像增强上的表现不佳,本文使用的改进方法对比其他方法在医学图像的增强上具有一定优势,可以将高质量图像内部的特征迁移到低质量图像的同时保留了图像的局部细节。