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。

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。

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%。

将选区激光烧结（SLS）技术应用于聚醚醚酮（PEEK）等高性能聚合物的制备，为严苛使用条件下复杂构件的制造提供了一种新的选择。研究了SLS制备PEEK材料的微观结构、成形缺陷与力学性能之间的关系。采用光学显微镜（OM）、扫描电子显微镜（SEM）和微计算机断层扫描（Micro-CT）对SLS制备的PEEK样品进行微观结构和成形缺陷的分析表征，包括结晶程度、孔隙、未熔合缺陷等。使用万能材料试验机进行室温力学性能测试，并与传统注塑（IM）样品对比。研究结果表明，SLS制备的PEEK样品具有较高的结晶度，其弹性模量和耐热性皆优于IM PEEK，但SLS PEEK样品的强度和塑性较IM PEEK低，拉伸强度为（86.5±3.3）MPa，弯曲强度为（161.9±23.7）MPa，断裂伸长率仅为（2.1±0.2）%。结合断口形貌观察和Micro-CT缺陷分析，对SLS制备过程中缺陷的形成机理及其对力学性能的影响作用进行了讨论，SLS成形过程中产生的层间大尺寸缺陷是导致强度较低和延展性较差的主要原因。

为了改善计算机断层扫描（CT）影像重建质量不高的问题，提出一种基于残差注意力聚合对偶回归网络（RAADRNet）的超分辨率CT重建方法。多特征下采样提取模块（MFDEB）通过平均池化、最大池化和卷积运算完成多特征下采样提取，在多特征融合后嵌入通道学习注意力（CLA）和空间学习注意力（SLA），同时并入前级融合特征提取图像的浅层特征。CLA、SLA分别引入通道权重特征学习以及激活函数1+tanh（）完成特征提取。残差注意力聚合模块（RAAB）通过CLA嵌入残差网络构成的残差通道学习注意力模块（RCLAB）与SLA构成的空间特征融合模块（SFFB）联合提取图像的深层特征。原始网络在浅层特征与通过亚像素卷积放大的深层特征进行特征融合后完成重建。对偶网络进一步约束重建映射函数的解空间。实验表明，所提算法在重建图像的峰值信噪比（PSNR）和结构相似度（SSIM）上都得到了较好的提升。

锥形束计算机断层扫描(CT)成像技术在口腔疾病诊断中发挥了重要作用。如何从复杂的原始扫描图像中获取牙齿的准确信息，成为口腔医学的一个重要研究问题。引入空间注意力机制，提出一种基于改进U-net网络的分割算法，结合等值面提取算法，实现对牙齿锥形束计算机断层扫描图像的准确分割和三维重建。首先对图像进行分割，得到只保留牙齿信息的图像，再对结果进行三维重建，创建出牙齿的三维模型。实验结果表明，该方法能够有效地提取牙齿信息，有助于对口腔疾病特别是牙齿疾病的诊断和治疗。

图像配准广泛应用于图像引导的肺肿瘤放射治疗，但现有算法对形变较大的图像配准效果不佳。针对该问题提出一种算法利用多尺度并行下采样模块缩减图像大小，得到多尺度低分辨率特征图；并采用金字塔空洞卷积模块提取图像特征，以提高模型的感受野。该算法通过自适应通道注意力模块调整神经网络对不同形变特征的偏重，以解决模型偏重于较大形变而对小形变配准效果不佳的问题；同时在损失函数中加入平滑性约束来提高形变场的平滑性；并通过对训练样本数据扩增的方法提高算法模型的稳定性和泛化性。在DIR-lab、Creatis数据集测试中，提出算法的目标配准误差（TRE）分别为1.71、1.50 mm，而全卷积神经网络（FCN）算法的一次迭代TRE分别为2.83、2.01 mm，实验结果表明提出算法的TRE明显小于FCN算法，且其泛化性和稳定性也较好。