磁共振成像（Magnetic Resonance Imaging,MRI）技术在医疗诊断的临床应用中使用广泛。MR图像通常具有不同模态,多模态图像信息融合有助于提高自动医学图像分析诊断系统的准确性和可靠性。考虑到多模态医学图像获取的困难,研究医学图像的跨模态合成技术,即从一种模态医学图像自动生成另一种模态医学图像的技术,可以从已知模态生成未知模态数据,减少多模态采集成本、实现数据集曾广、减少模态之间的不平衡性,具有实践意义。医学图像的跨模态合成,是图像翻译的一个应用分支,近年来以基于生成对抗网络的方法为主。在现有的MR图像跨模态合成应用中,出现了诸多难点与不足。基于2D切片的2D方法,没有考虑医学图像的3D特性,欠缺对不同切片之间体素关系的考量,存在局限性。基于3D体素块的3D方法,虽然从原理上弥补了2D方法的局限性,但依赖于高性能硬件,执行成本高,实用性低。现有的跨模态合成工作对生成对抗网络理论的应用探究较少。本文首先针对上述问题开展研究,基于生成对抗网络,提出了一个新颖的MR图像跨模态合成3D方法——MRi-Trans-GAN（MR Images Translation GAN）。以峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）与结构相似性（Structural SIMilarity,SSIM）进行合成质量评估,在人脑胶质瘤数据集Bra Ts2020与健康脑部数据集IXI上超越了先进的2D、3D方法。该模型采用了尺度不均衡的3D体素块（128×128×3）和对应的不均衡3D卷积,兼顾了医学图像3D特性与模型实用性;采用先进的对抗损失函数理论（WGAN-GP-SN）,即带梯度惩罚的沃森斯坦森距离损失函数（WGAN-GP）与谱范数正则化（SN）的联合,相比于跨模态合成中常用的对抗损失函数有了更好的性能提升。其次,本文针对MRi-Trans-GAN的重建损失展开研究,发现了体素级别的平均绝对误差（Mean Absolute Error,MAE）重建损失会带来过拟合问题。受2D自然图像领域感知损失的启发,本文采用迁移学习手段,创新性地提出了一个特征级别的3D感知损失,其基于在Image Net上预训练的Vgg16模型进行计算,并通过3D卷积予以加速。该3D感知损失作为对MAE重建损失的正则项,适用于MRi-Trans-GAN这一3D模型,进一步提升了跨模态合成的质量。最后,本文借助混合精度技术对MRi-Trans-GAN进行加速。在全局的混合精度模式下,针对模型中的实例归一化计算、谱范数正则化计算与3D感知损失计算进行了适应性优化,保证了数值稳定性,维持了模型的合成质量。相比于单精度下的模型训练与推理,混合精度下的MRi-Trans-GAN在拥有更快的训练、推理速度,更小的资源占用的同时,没有合成质量上的衰减。