计算机断层成像（Computed Tomography,CT）的出现,极大地促进了医学影像技术的发展,对于各种疾病的诊断治疗,也具有十分重要的意义。因X射线的辐射对人体有潜在的致病风险,因此低剂量CT成为了当前研究的重点。稀疏重建,即用从稀疏角度下采集的投影重建图像,是实现低剂量CT的有效方法,然而,经典的解析法稀疏重建的图像中一般含有严重的条状伪影,导致无法进行正确的疾病判读。2006年以来,深度学习技术因大数据、大网络和大算力的结合,在工业界和学术界展现了其强大的性能。基于深度学习的图像处理方法在图像识别、目标检测、图像分割、图像去噪以及超分辨率等领域均取得了优于传统方法的处理效果。2016年以来,深度学习图像重建成为了重建领域的热门研究方向。为了有效压制解析法稀疏重建引入的条状伪影,本文对基于深度学习的CT稀疏重建方法进行了系统的研究,具体工作内容如下:（1）在深入分析经典的残差UNet网络、全卷积网络、以及自编码-解码网络性能的基础上,将其引入稀疏重建任务中,并对三种网络结构的伪影压制能力进行比较。实验结果表明,残差UNet网络在抑制条状伪影方面的性能要优于另外两种网络结构。因此,本文将在残差UNet网络的基础上进行网络结构的优化,以进一步提升性能。（2）提出了一种基于多残差UNet（Multiply residual UNet,Mr-UNet）网络的高精度稀疏重建方法。经典的残差UNet是由若干卷积单元构成的,每个卷积单元是一种直通结构。Mr-UNet将每个卷积单元构建为残差结构,以提升网络训练性能。首先系统地比较了该网络与传统总变差（Total Variation,TV）方法和残差UNet网络的压制条状伪影的能力。实验表明,该重建模型更有效地压制了条状伪影,且更好地保留了重建图像的细节和纹理特征。其次探索了在不同稀疏度下该网络结构的压制条状伪影性能演变规律。实验结果表明,随着投影角度的增多,Mr-UNet网络的抑制条状伪影的性能越来越好。最后设计了基于Mr-UNet的稀疏重建系统。（3）提出了一种基于对抗式Mr-UNet网络的高精度稀疏重建算法。借鉴GAN网络的原理,在Mr-UNet的基础上引入一个基于对抗式训练机制的鉴别网络,进而构成对抗式Mr-UNet。实验结果表明,该网络模型可以进一步提升压制伪影的性能。实验也同时表明,随着投影角度的增多,该网络重建性能越来越好。本文通过引入多残差和对抗机制,进一步提升了基于深度学习的CT图像稀疏重建性能,对CT重建领域的发展有一定的理论意义和实践价值。