在现代医疗诊断中，X射线计算机断层成像技术（Computed Tomography，CT）得到了广泛的应用，其采用非接触式检测方式，以X射线对不同材质的吸收特性为基础，通过检测X射线穿过物质后的衰减特性获取物体内部的结构信息和材质组成。X射线CT在现代医疗诊断中有着不可替代的地位，而传统X射线CT使用能量积分式探测器，将穿过物体后的不同能量X射线光子整体接收，反映的是X射线的平均衰减特性，其无法分辨不同能量的X射线光子，难以区分密度分布相近的材料，限制了对物质的定性和定量分析。随着X射线CT技术的进一步发展，出现了基于X射线光子计数探测器的能谱CT成像技术（Spectral CT），能谱CT与传统CT的区别主要在于利用能够分辨不同能量X射线的光子计数探测器探测投影数据，可测量物体在不同能量范围内的吸收特性。由此，我们可以通过分析不同能量范围内的X射线衰减特性，提高不同材质的成像对比度，并实现定性与定量测量，还可以结合深度学习技术提高CT的成像质量。
　　本论文依托科技部国家重点研发计划(2016YFC0104609)和国家自然科学青年基金(No.61401049)，以X射线能谱CT为研究对象，在能谱CT工作原理、探测投影图像校正和重建图像降噪及伪影抑制等方面开展研究和论述，并结合深度学习方法以提高噪声和伪影抑制的效果。本文的主要研究内容有：
　　①对X射线CT的工作原理、扫描系统、成像过程、重建方法等理论进行分析和阐述，并对能谱CT的特点以及优势进行总结，在成像原理的基础上分析X射线CT中噪声和伪影的产生机理以及表现形式。研究基于光子计数探测器的能谱CT成像原理，分析能谱CT图像信噪比较低的原因，为后续对能谱CT图像进行降噪和环形伪影抑制提供相应的理论支撑。
　　②针对能谱CT探测器探测单元响应一致性较差的问题，提出了一种基于聚类算法的探测投影校正方法，根据光子计数探测器的工作原理，借助聚类算法和相关性分析对CT探测投影中一致性较差的像素进行定位、分类和补偿。在能谱CT探测投影中，一致性较差像素区域内的方差较大，据此将投影进行区域划分并计算相应的区域方差，使用聚类算法对方差进行分类确定一致性较差像素的位置，再借助相关性分析对一致性较差像素进行分类。由此，有针对性的对能谱CT探测投影进行校正，可以有效提高重建图像的质量，相关实验及结果验证了该方法的可行性。
　　③针对能谱CT图像域降噪和伪影抑制算法计算复杂、效率较低的问题，提出了一种基于全卷积金字塔残差网络的能谱CT图像降噪和伪影抑制方法。研究并构建能谱CT图像训练数据集和标签数据集，将全卷积网络和金字塔残差网络相结合构成全卷积金字塔残差网络，使用数据集训练网络模型，最终，抑制能谱CT重建图像中噪声和伪影。实验研究结果证明，深度学习方法可以有效抑制不同能量范围内能谱CT图像中的噪声和伪影，且所提出的全卷积金字塔残差网络的性能优于常见的CT图像降噪网络。