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。

射线源和探测器作相对平行直线运动的计算机层析成像扫描系统(OPLCT)结构简单，成本低，易于实现便携或可移动的应用需求。该扫描方式的前期研究采用顺序子集-同时迭代重建算法，该算法存在图像重建时间长、不能实现快速成像等问题。从傅里叶积分定理出发，推导OPLCT滤波反投影(OPLFBP)图像重建算法。构建的一次直线扫描(1T)图像重建模型属于有限角问题，OPLFBP算法不能完全重建出目标图像；进一步提出多次线性扫描并构建了两次垂直(2T)和三次圆周均匀分布(3T)的CT直线扫描模型。1T、2T和3T模型下的仿真结果表明OPLFBP算法正确可行，且2T、3T扫描与相似参数下圆周扇束扫描滤波反投影算法得到的重建图像相近。