CBCT生成伪CT任务是实现自适应放射治疗的关键步骤,旨在利用合成的伪CT进行剂量计算,及时修正、调整放射治疗计划。与CT相比,CBCT具有成像快、效率高且辐射剂量相对低的特点,对患者的身体额外损伤程度较小,但CBCT无可靠的电子密度,无法直接提供剂量计算,因此将CBCT合成伪CT在自适应放射治疗中是有必要的。CBCT生成伪CT任务最常用的方法是循环一致性生成对抗网络（Cycle GAN）以及基于Cycle GAN改进的方法。Cycle GAN主要依靠循环一致性损失来指导生成器的学习,而循环一致性成立的前提是域间转换是双射的,但CBCT与CT两个域之间的转换并非完全满足双射关系。此外,由于放射治疗是有疗程的,所以同一患者往往有多套CBCT,且CBCT之间存在着潜在的时间和空间上的联系,但现有方法并没有利用到CBCT间信息互补的特点。针对上述问题,本文研究基于CBCT生成伪CT的方法,主要工作包括以下三个部分:（1）研究CBCT数据预处理方法。针对原始数据存在冗余信息、噪声以及图像不配对的特点,本文基于已脱敏的临床数据进行一系列的数据预处理操作,包括数据清洗、图像去噪以及配准,最终构建出适用于CBCT生成伪CT研究的实验数据集。（2）研究适用于CBCT生成伪CT任务的模型架构。本文提出了新的CBCT生成伪CT模型——时序融合的对比生成对抗网络,它将对比学习的思想应用于生成对抗网络中,通过自监督的方式确保网络在提取特征过程中更注重CBCT的解剖结构;同时引入时序信息融合模块,利用同一患者的多套CBCT间的信息互补性,通过时序信息融合的方式得到更加全面、清晰、有利于网络学习的CBCT。（3）研究适用于CBCT生成伪CT任务的生成器结构。本文根据医学图像以及伪CT生成任务的特点,构建了一个适用于CBCT生成伪CT任务的生成器——递归残差空洞卷积网络。它通过特征积累和捕捉不同比例上下文信息的方式,提取图像更多的细节信息,提升图像的转换精度。本文从图像生成相关指标、生成结果可视化两方面说明了本文提出的方法优于现有的无监督方法。通过剂量计算的方式,验证了伪CT的临床适用性和方法的有效性。