CT（Computed Tomography）技术能够无损地检测到被测物体的内部结构。从发明至今,发展迅速,已经被广泛应用于医疗、工业以及安检等领域,扮演着至关重要的角色。由于技术的限制,在实际应用中,原本被扫描物体并不存在而在图像上却出现的各种形态的影像,这被称之为伪影（Artifact）。伪影的存在会导致重建图像中的某些结构被遮挡或边界模糊,重建图像的空间分辨率会受到极大影响,继而影响对被测物体的检测和判别。同时,对评估CT系统的性能指标也有一定的干扰。因此,伪影校正对改善重建图像质量、提高诊断准确率、以及精确测量CT设备的性能指标具有重要意义。本文主要对CT图像中的风车伪影、射束硬化伪影、金属伪影的校正进行相关的研究。根据伪影的特性,设计伪影校正算法。具体工作如下:（1）针对螺旋CT风车伪影,本文利用双域滤波进行风车伪影校正。首先,通过仿真生成CT投影数据,并利用FDK算法重建具有风车伪影的螺旋CT图像。然后,利用不同半径的双边滤波核分析了风车伪影的抑制效果。最后,根据距离变换调整核半径以减少风车伪影。通过和其它方法比较,在结构相似度上,本文提出的方法表现最佳,通过计算机仿真实验验证了该方法的可行性和有效性,该方法在校正风车伪影的同时能够较好地保留原始螺旋CT图像中细节信息。（2）针对射束硬化伪影,本文以X线成像数学物理模型为基础,首先针对成像对象同时包括类水、类骨和金属物质情形,利用数据一致性条件构造相应目标函数;利用非凸优化算法,确定出软组织、骨与金属各自最优尺度因子;得到可同时校正杯形、条纹和金属伪影的最优骨校正方法。通过计算机模拟获得的实验结果表明,所提方法可以自适应地确定最佳缩放因子,然后对重建的CT图像中的各种束硬化伪影进行校正。特别是,与变量替换前的非线性最小二乘法相比,新CT图像重建算法的运行时间减少了82.36%,残差减少了55.95%。（3）针对金属伪影,在传统研究方法的基础上,利用深度学习的方法进行伪影校正。由于目前大多数深度学习的金属伪影校正方法是基于监督学习;实际中,由于无法获取成对的数据,通常利用合成的数据进行监督学习,但合成伪影图像不一定能够真实的反应金属伪影的属性,往往训练出来的模型具有一定的局限性。本文采用经典的无监督学习网络Cycle GAN,在生成器中添加注意力机制模块,利用注意力机制,使得网络更加关注金属伪影,提升伪影校正的能力。并引入了LSGAN和Patch GAN,提高训练的稳定性及生成图像的质量。通过实验验证,证明了该方法的有效性。