随着社会和科技的发展,人工智能技术的研究与应用备受关注,2017年,国务院印发的《新一代人工智能发展规划》,更是将其确立为国家发展战略。机器视觉是人工智能领域的重要发展分支,是人工智能的核心技术之一,并对其发展起到了至关重要的作用,基于深度卷积神经网络的机器视觉技术是当下的研究热点,具有很重要的理论研究意义和实际应用价值。目前广泛存在数据不均衡,特别是满足需求大规模、高质量训练标签数据资源匮乏且不易获得这一亟待解决的瓶颈问题。利用生成对抗网络（Generative Adversarial Networks,GANs）提取原始数据集特征,对抗生成新的目标域图像,已成为众多学者在数据增强技术研究中的优选方法,如何正确引入高频细节信息提升图像数据质量是亟待破解的关键问题。有鉴于此,本文基于GAN,以纳米颗粒扫描电镜图像超分辨和X光图像尘肺病计算机辅助诊断两个应用为切入点,面向GAN图像数据增强技术普遍存在的模型收敛不稳定、生成图像质量低等问题,基于创造性提出的双阶段损失驱动超分辨技术和局部-全局共融判别的辅助解缠图像翻译技术,提出了新型的图像超分辨和翻译模型,旨在解决生成图像信噪比低、高频细节信息无法正确融入、目标区域特征迁移能力不足等核心问题,主要创新工作如下:1、构建了基于双阶段损失驱动的图像超分辨网络（Dual-Staged Loss Driven Network,DSLDN）提升图像超分辨质量。该模型分为两个阶段:第一阶段采用深度残差通道注意力网络和平均绝对误差（Mean Absolute Error,MAE）损失函数,提高了生成图像峰值信噪比（Peak Signal to Noise Ratio,PSNR）。在Set5测试中,PSNR指标由28.417提升到32.139;第二阶段采用判别网络和对抗损失函数,保持高水平PSNR,引入高频细节信息提升图像数据质量。在Set5测试中,结构相似度（Structure Similarity Index Measure,SSIM）、信息保真度（Information Fidelity Criterion,IFC）最高分别达到:0.894和3.709,较非深度学习方法分别提高了9.4%和34.7%。在视觉和定量评价中均优于当前同类模型。2、构建了多局部判别器辅助解缠网络的图像翻译网络（Local Discriminant Auxiliary Disentangled Network,LDADN）提升图像数据质量。在经典风格迁移的基础上,原创性提出了局部-全局共融判别的辅助解缠图像翻译技术,通过引入多个相互独立的局部判别器和对应的局部对抗损失函数,生成目标域图像对应区域不同高频细节信息,实现了差异化的正确融入高频信息,即全局和多局部损失融合驱动生成优质图像。实验结果表明,IS（Inception Score）、FID（Fréchet Inception Distance）、KID（Kernel Inception Distance）以及LPIPS（Learned Perceptual Image Patch Similarity）指标较当前主流模型取得了较大性能提升,分别达到:1.460、1.327、5.513±1.152和0.512±0.076。3、提出了一种基于DSLDN模型的纳米颗粒扫描电镜图像超分辨方法。构建了实验训练数据集（120000张）;优选了模型损失函数;优化了模型参数;提出了“催化活性位点”概念,建立了基于催化活性位点的电镜图像超分辨质量评价方法,并通过化学催化实验验证了该方法的有效性。文献中普遍采用的图像超分辨质量定量评价方法和本文提出的催化活性位点评价方法的评价结果均显示:经本方法超分辨后的图像可以获得更多纳米材料细节信息。为具有活性位点的催化剂效能分析提供了新工具。4、提出了一种基于LDADN模型增强X光医学图像尘肺病辅助诊断方法。与合作单位共同构建了原始数据集（健康:1528张,尘肺:904张）;优化了网络模型,引入局部拉普拉斯滤波器及损失函数对图像病灶区域细节信息进行重点迁移生成。训练并测试分类性能,分类准确率由原始数据集的92.40%提高至增强后的99.31%,超越了目前人类专家阅片准确率,有效提高计算机辅助诊断系统的性能。