针对相对平行直线扫描CT（PTCT）图像重建存在的有限角伪影问题，提出一种学习局部和非局部正则项的深度迭代展开方法。该方法将具有固定迭代次数的梯度下降算法迭代展开到神经网络，利用具有坐标注意力（CA）机制的卷积模块和Swin-Transformer模块作为迭代模块交替级联部署，构成端到端的深度重建网络。卷积模块学习局部正则化，其中CA用于减少图像过平滑；Swin-Transformer模块学习非局部正则化，提高网络对图像细节的恢复能力；在相邻模块间，使用迭代连接（IC）增强模型提取深层特征的能力，提高每次迭代的效率。通过消融实验验证了网络各部分的有效性，并在两种类型的数据集上进行实验，结果证明了本文方法的效果。实验结果表明，本文方法在抑制PTCT重建图像有限角伪影的同时，能较好地保留重建图像细节，提高重建图像质量。

针对被测样品的组成物质已知且彼此不混合的情况，提出了一种结合能谱信息的单能谱计算机断层扫描（CT）图像重建方法。该方法利用已知物质作为基材料对CT投影数据的采集过程进行数学建模，然后对该非线性模型进行基材料图像的迭代求解。在求解中，通过将基材料“不混合”的性质转化为向量正交性，实现了迭代过程的快速收敛。本文方法充分考虑了X射线的能谱和被测样品材料的属性，可显著地校正传统CT图像中的硬化伪影和金属伪影，有效地提高该类样品的CT成像质量。实验验证了所提方法的有效性。

在微焦CT成像中，通常利用增大X射线源管电压、管电流来提高扫描效率，但射线源功率增加会导致焦点尺寸增大，投影图像模糊，从而降低重建图像的空间分辨率。为了解决因非理想射线源焦点引起的图像模糊问题，本文提出利用深度学习在投影域映射非理想焦点与理想焦点投影之间的关系。推导了理想焦点投影与非理想焦点投影的正向关系，基于该关系构建配对数据集；提出一种基于自注意力机制的U-net网络（SU-net）学习非理想焦点投影到理想焦点投影的逆向关系。仿真实验和实际实验结果表明，提出的SU-net方法能准确地从非理想焦点投影中估计出理想焦点投影，可有效减少焦点导致的图像模糊。

提出一种基于多通道交叉卷积UCTransNet（MC-UCTransNet）的图像域双材料分解方法。该网络以UCTransNet为基础架构，采用通道交叉融合转换器和通道交叉注意模块来提高基材料分解性能，实现双输入双输出的端到端映射。网络中通道交叉融合模块和通道交叉注意模块可更好地捕捉复杂的通道信号相关性，以更充分地进行特征提取与融合，实现基材料生成路径之间的信息交换。为进一步提高模型的拟合性能，网络训练时采用混合损失及Sigmoid函数的归一化方法。实验结果表明，在骨骼基材料及软组织碘基材料分解任务中，所提方法能获得优质的基材料图像，与对比方法相比，其分解后的基材料图像在准确度及噪声伪影抑制上表现更好。

多能计算机断层扫描（Computed tomography，CT）技术可以更加精确地分辨出人体组织对不同能量X射线光子的吸收情况，是医学成像领域的重要发展方向。为了解决因量子噪声等非理想效应加重导致重建图像质量急剧退化的问题，提出了一种基于移位窗口多头自注意力机制的双流Transformer网络结构。该结构利用移位窗口Transformer和局部增强窗口Transformer分别提取投影数据的全局和局部特征，充分利用投影数据的非局部自相似性以保留投影数据的内部结构；然后通过残差卷积融合提取的特征；最后使用带有非局部全变分的混合损失函数来监督网络模型的训练，提升该网络模型对投影数据内部细节的敏感程度。实验结果表明，所提方法处理后的重建图像峰值信噪比（PSNR）值、结构相似性（SSIM）值和特征相似度（FSIM）值分别达到37.7301 dB、0.9944和0.9961。与目前先进的多能CT去噪方法相比，所提方法在去除低剂量多能CT投影数据噪声的同时，可保留更多的细节特征，有利于后续的精确诊断。

基于衰减效应提出一种高阶拟合模型，能够快速准确地估计青铜器内部材料的等效原子序数与密度。为验证该方法的可行性，使用能谱计算机断层成像（CT）技术采集多个能量下的成像数据，开展实际数据拟合实验。在实际数据实验中原子序数估计的最大误差在5%以内，平均误差小于4%；密度估计的最大误差在10%以内，平均误差小于4%。实验结果表明，该模型能够仅通过两种能量的成像数据，在无损条件下快速准确地估计青铜器内部材料的等效原子序数与密度。

光子计数型能谱计算机断层扫描（CT）已成为CT成像领域的最新技术，建立精确的噪声模型可以为开发高效的能谱重建算法和降低辐射剂量提供理论支撑。通过对光子计数型能谱CT投影数据噪声进行深入分析和理论推导，提出了能谱CT投影数据噪声的p-范分布模型。首先，综合考虑光子计数探测器能量采集中的光子统计波动和电子热噪声，利用贝叶斯公式推导噪声分布模型。然后经过投影数据的密度函数拟合验证、拟合优度检验等实验环节对所提理论模型进行检验。结果表明，相比于传统分布模型，所提分布模型能够更加精准地刻画光子计数型能谱CT成像机理和物理过程。最后，对投影数据观测序列进行时间序列分析，并将预测得到的结果用于修复异常值。从仿真实验结果和实际数据实验结果可以看出，该预测值具有良好的修复效果。

中子偏置CT（computed tomography）扫描是一种有效的大尺寸样品层析检测方法，但投影数据截断会导致较大的CT系统转台旋转中心标定误差，严重影响成像质量。基于投影数据对称性原理，提出了一种计算旋转中心左侧和右侧投影数据和之间方差的偏置CT扫描旋转中心精确标定算法。设计了对称补数据重建算法和投影数据预处理重建算法，验证得到，对称补数据重建算法对旋转中心标定误差更为敏感，较小的误差值会导致补齐后投影数据出现拼接缝以及拼接错位问题。提出了一种中子投影数据噪声仿真方法，设计的三维仿真模体验证了所提标定算法与投影数据预处理重建算法在不同旋转中心偏置大小以及不同强度投影噪声条件下的性能优势。基于反应堆中子源开展了中子偏置CT扫描成像验证实验，获得了样品清晰的内外部结构细节，中子CT成像系统的成像视野扩大了31.4%。

X射线激发发光断层成像（XLCT）是一种新兴的混合成像技术，该技术可同时获得目标体结构信息和功能信息。然而，窄束XLCT重建图像虽然具有高空间分辨率，但X射线利用率较低，数据采集时间过长；锥束XLCT系统提高了X射线利用率，缩短了数据采集时间，但有限的探测角度导致图像重建质量相对较低。为解决上述问题，提高X射线利用率，高效实现多角度高灵敏数据采集，提出了一种基于光子计数测量的锥束XLCT系统，并通过仿体实验对其性能进行了验证。仿体实验结果表明，6个角度锥束照射模式下重建图像的相似度系数（DICE）可达50%，系统保真度（SF）和重建浓度误差（RCE）达到0.7以上，可实现3 mg·mL^-1以上的荧光物质质量浓度差距的重建。

X射线荧光CT（XFCT）是X射线CT与X射线荧光分析相结合的新型成像方式，可用于探测被修饰后的纳米金颗粒在肿瘤内部的分布及质量分数，在早期癌症诊疗方面具有较好的应用潜力。如何抑制XFCT成像的康普顿散射噪声是当前的热点问题。本文基于深度学习方法，通过卷积神经网络学习图像中的噪声分布规律，从而抑制噪声。基于此，提出了一种基于噪声水平估计和卷积神经网络的XFCT去噪网络（NeCNN）算法，该算法运用噪声估计子网络及去噪主网络进行去噪。估计子网络通过去噪卷积神经网络（DnCNN）估计噪声水平并初步降噪，随后将估计结果输入去噪主网络——全卷积神经网络（FCN）用于学习康普顿散射的分布规律，同时为兼顾局部与全局最优解采用均方误差（MSE）及结构相似度（SSIM）作为损失函数。数据集通过Geant4软件模拟扫描填充各种金属纳米颗粒（Au、Bi、Ru、Gd）的空气模体及聚甲基丙烯酸甲酯（PMMA）模体来获取，且设置不同入射X射线的强度，以此模拟不同噪声水平，增强模型泛化能力。实验结果表明，与三维块匹配滤波（BM3D）及DnCNN算法相比，NeCNN算法的去噪结果最优，其SSIM为0.95066，峰值信噪比（PSNR）为29.01558，图像质量提高最为显著。