计算机断层成像技术（CT）是一种已经广泛运用于临床辅助诊断和医学观察的成像方法。随着人工智能时代的到来,基于深度学习的单视角CT重建技术成为了当前学术界的热点研究方向之一,相比于传统CT重建算法,单视角CT重建技术有着辐射剂量小,重建速度快等诸多优点,在医疗领域中,可应用于对癌症患者靶区进行实时定位等任务。本文对当前的主流单视角CT重建网络进行分析,并解决其中存在的问题,研究内容主要分为三部分:（1）本文基于深度学习,提出了基于CT真值监督的单视角CT重建方案,并设计了一个包含多个模块的编码器—解码器网络结构。由于从单张投影图像生成三维CT模型是一个高难度的非线性映射过程,所以本文在编码器—解码器结构中加入了注意力机制、特征映射模块以及跨域特征融合模块,并采用了渐进式学习的思想训练网络,利用真实CT模型监督的方式有助于网络直接学习输入单张投影图像和输出CT之间的映射关系。本文通过在TCIA头骨数据集上进行消融实验,验证各个模块的有效性,以及渐进式训练的优势,同时进行对比实验,与当前为数不多的开源经典单视角CT重建网络进行比较,实验表明本文网络重建的CT图像质量在PSNR与SSIM指标上均有优势。（2）本文在上述研究的基础上,提出了基于投影监督的单视角CT重建方案。CT真值监督的方案虽然能重建出高质量CT,但是此设计依赖于CT真值,而CT真值存在难于获取、占据内存空间较大等问题。为解决上述问题,本文提出基于投影监督的单视角CT重建方案,该方案只需要数据集中的投影数据即可完成监督任务,摆脱了对CT真值的依赖。同时为了更充分地利用投影数据,本文设计了一个二维投影图像与三维反投影CT模型联合监督的方案,将传统CT重建技术中的投影函数、滤波反投影算法与卷积神经网络相结合,有效地利用投影图像与CT模型之间的几何映射关系,从而提升CT图像重建的质量。（3）为了更好的契合实际医疗环境,同时证明本文所设计的卷积神经网络对人体不同器官都有较好的适用性,后续针对具有呼吸运动的肺部柔性器官肺部,开展单视角CT研究。考虑到肺部呼吸运动可能会导致拍摄视角不能精确固定等问题,本文在适用性研究中扩大了输入单张投影视角的范围,使其更加符合实际医疗的条件,为本文方法走向实际应用打下了基础。实验结果证明,联合监督方案可通过单张投影图像有效地预测出任意时刻的肺部CT模型。