计算机断层成像技术（Computed Tomography,CT）是一种在临床诊断中广泛使用的医学成像技术。它使用X射线在不同的角度对人体拍摄一系列的投影同时与计算机处理相结合,从而恢复出人体内部软组织、血管和骨骼等横截面图像切片。然而,X射线作用于人体会产生电离辐射,可能会诱发癌症、白血病等一系列疾病。因此,研究降低辐射伤害的同时得到尽量清晰的CT图像具有非常重要的意义。目前降低辐射剂量的方式有多种,其中稀疏角度CT重建是一种降低辐射剂量的有效措施,本文对稀疏角度CT重建问题进行了深入研究,主要工作如下:课题组前期提出了基于深度学习的LEARN模型,该算法相比传统算法和基于深度学习的后处理算法能够在数据量较少的情况下获得非常好的重建效果。虽然取得了较好的成像效果,但是对于图像域的可学习正则项,只使用了简单卷积神经网络。由于正则项的复杂性,简单卷积神经网络不能有效地进行替代表达与优化。所以,针对此问题本文首先以LEARN模型为基础,研究了其在图像域的改进,提出了融合自适应注意力机制的稀疏角度CT重建网络。在临床CT数据集上,本文所改进的方法,能够有效保留图像的细节和结构信息,提升稀疏角度CT图像的质量。目前关于稀疏角度CT重建问题的研究,大多都关注于图像域的重建,而对于正弦域中有关如何选取用于重建的投影数据的研究较少。例如大多数的研究在选取正弦域数据时都是以等间隔的方式选取一定数量的投影数据用于重建。但是,对于不同的部位,不同角度的投影数据可能对重建结果影响不同。针对此问题,本文创新性地提出了一种基于学习的角度选择机制,用于研究对于不同部位,不同角度投影数据的重要性。其中,现有的稀疏角度CT重建网络,不能使用在全投影中动态选择的部分投影用于重建。所以,本文提出了一种既可以使用动态选择的投影也可以使用固定角度的投影进行重建的网络。实验结果表明,与其他重建算法相比本文改进后的重建网络能够提升重建的CT图像的质量。对于不同的人体部位,基于学习的角度选择机制能够选择出不同角度的投影数据进行重建,对于相同的人体部位,会选择出投影角度大致相同的数据用于重建,并且本文通过实验验证了使用被选择出的投影数据用于CT重建能获得更好的图像质量。