随着现代医学影像技术的快速发展,X射线计算机断层扫描技术(Computed Tomography,CT)已被广泛应用于的临床诊疗。高分辨率CT(High Resolution CT,HRCT)图像能够为临床诊断提供更丰富的信息,但是直接获取HRCT图像(512*512)需要较高的X射线辐射剂量,这将会对检查者造成一定的伤害。为了探索进一步降低辐射剂量的可行方案,本文工作重点是采用较少的辐射剂量去采集低分辨率CT(Low Resolution CT,LRCT)图像,再利用超分辨率重构技术去恢复HRCT图像。近年来,生成对抗网络(Generative Adversarial Network,GAN)在自然图像的重构方面取得了不错的效果。然而,将现有的GAN直接用于CT图像的重构任务仍然存在很多问题:部分特征丢失;网络冗余;训练过程不稳定;内存消耗严重等。为此,本文改进了生成器和判别器的网络结构,优化了网络的目标函数,以此来提升GAN对LRCT图像的重构效果。本文的研究工作包括:(1)针对CT自身的数据特征---对比度小且细节特征少,提出了一种新型的轻量型多级稠密残差块结构,缓解了重构过程中的特征丢失和网络冗余现象,从而实现特征复用和最大信息传输。另外,为了解决GAN训练过程中的梯度消失现象,本文引入在CT去噪算法中采用的Wasserstein距离来度量重构后的超分辨率CT(Super-Resolution CT,SRCT)图像与真实参考的HRCT图像数据的分布差异。实验表明,在收敛速度、网络稳定性、重构效果等方面,本文的方法均优于其他流行的重建方法。(2)为了实现利用不同重构因子,将不同尺寸的LRCT图像重构为512*512的高分辨率图像,本文设计了全局生成器和多个局部生成器配合工作的由粗到细生成式结构,并加入先验知识约束图像生成。另外设计了多尺度判别器,增强判别器对不同低分辨率的CT图像重构后的判别性能。实验结果表明,本文算法在不同重构因子(4,6,8)下的重构性能均优于其他算法。