X射线计算机断层成像技术（X-ray Computed Tomography,CT）是一种临床常见、可提供清晰人体解剖结构图像的诊断工具。虽然限制CT设备扫描角度可有效降低患者所受电离辐射,但会导致在某些扫描角度上投影数据的部分缺失,最终使得重建出的CT图像质量大幅下降。因此,如何在CT投影数据不完整情况下重建出符合临床诊断需要、高质量的CT图像具有重要的社会价值和理论研究价值。为了提高部分扫描角度投影数据缺失情况下的CT重建图像质量,本文在对抗性学习框架下提出了一系列有限角度CT图像重建算法。首先提出一种基于感知损失的有限角度CT图像深度学习重建算法。该算法将部分扫描角度上缺失的投影数据作为输入,在训练阶段采用类似自动编码器的生成对抗性网络结构以生成缺失CT投影。其中的编码器用于学习和提取不完全投影数据的特征信息,再由解码器从提取出的特征预测出投影数据的缺失部分。然后通过和编码器部分类似结构的判别器网络给出预测出的缺失数据是否可被视为真实数据。为了提高预测精度,本文还通过已预训练的VGG网络在损失函数中加入感知损失。训练好的生成网络可以预测出新采集的不完全投影数据缺失部分,最后利用滤波反投影算法从补全的投影数据中重建出CT图像。实验结果表明,本文方法能够在投影数据缺失的情况下有效提高CT图像重建质量。其次,由于U-net网络结构能够有效融合医学图像中的多尺度特征,本文还提出基于U型对抗式自动编码网络的CT图像重建算法,该模型旨在结合U-net结构与生成对抗性网络框架两者的优势,利用其特有的U型结构与跳层连接机制,对CT投影数据在不同尺度下的特征图进行融合,再结合生成对抗性网络的对抗性思想,以达到提高CT图像重建质量的目的。最后,本文从预测结果应与真实数据保持一致的要求出发,提出基于投影数据一致性条件的CT图像重建算法。通过结合正弦图像的特性,在网络中加入Helgason-Ludwig一致性条件,使得预测出的投影数据缺失部分和已知部分能保持一致,从而在投影数据不完整的情况下有效保证了 CT重建图像质量,达到了在减少X射线剂量情况下获得符合临床诊断要求的CT图像的目的。