锥束 CT（Cone-beam Computed Tomography,CBCT）和双能 CT（Dual-energy Computed Tomography,DECT）是两种临床中广泛使用的CT扫描技术。CBCT可为多种临床图像引导任务和专用成像任务提供实时的,灵活的断层扫描。DECT可以对被扫描物体的物质成分进行精确测定,并为临床诊断和图像引导提供更丰富的定量化信息。近年来,双能锥束CT（Dual-energy Cone-beam CT,DECBCT）研究获得了广泛关注。研究人员尝试将双能扫描技术引入到CBCT中,从而结合两种CT扫描的优势,实现灵活的定量化CBCT扫描。目前DECBCT成像主要面临下列挑战:1.在不增加辐射剂量和扫描时间的情况下,获取双能锥束扫描数据。2.CBCT严重的光子散射会显著降低材料分解的准确性。3.由于较低的扫描管电流和探测器光子探测效率,CBCT图像噪声水平较高。这使得材料分解过程中的噪声放大现象在DECBCT中由为严重。为了解决上述问题,实现高精度的DECBCT成像,本文针对性地提出了两种DECBCT成像方法。第一种是基于旋转滤波器的单扫描DECBCT成像。该方法在现有CBCT平台的球管前安装可转动滤波片,通过将滤波片旋转,球管出光和探测器采集进行同步,从而在探测器上交替获得高低能投影。针对该种数据获取方式,我们对重建图条形伪影和图像域分解噪声传播进行分析,并进一步提出利用联合双边滤波同时压制重建图伪影和分解图噪声解析算法。结果显示,所提出算法成功抑制投影数据降采样带来的条形伪影,实现了低于5HU的平均CT值误差和低于1.2%的电子密度误差,同时将分解图噪声降低到原先的20%以下。由于使用了解析重建的框架,所提出算法也避免了重建过程中的分辨率损失和纹理信息丢失。第二种是基于残差W形网络（Residual W-shape Network,ResWnet）的双能锥束CT成像。该工作提出了一种新型的投影域网络ResWnet,该网络包含了三个模块,分别用于散射校正、材料分解和分解降噪。其中散射矫正和分解降噪模块利用卷积神经网络执行相同域间转换,材料分解模块模仿传统的多项式逼近算法,利用多项式网络完成从衰减系数投影到材料分解投影的域间转换。为了获取训练所需数据集,我们建立了一个CBCT投影数据生成框架,可基于诊断CT图模拟真实的CBCT投影。模拟实验结果显示,对于双能重建图,ResWnet将图像的均方根误差降低到原先的85%以下,并同时将双能图的噪声分别压低了 27.67%和44.57%。对于双材料分解,ResWnet可将分解图均方根误差分别降低60.06%和71.53%,并将分解图噪声抑制到了原始投影分解结果的30%以下。结果初步验证了利用神经网络进行DECBCT投影域散射校正和投影域低噪声分解的可行性。