鼻咽癌（nasopharyngeal carcinoma,NPC）是人体鼻咽部常见的恶性肿瘤,由鼻咽癌患者MR影像中直接合成伪CT（synthesis computed tomography,s CT）影像,在此基础上制定放疗计划,不仅可以避免CT扫描造成的辐射损伤,而且可以简化工作流程、减少跨模态配准带来的误差和不确定性,具有重要的临床意义。研究对象来自中山大学肿瘤防治中心,总共收集40名鼻咽癌患者T1W、T2W、T1C等三种序列的头部MR（Magnetic resonance）影像和同期获得的CT影像,由富有经验的医生在MR影像上对原发肿瘤区域进行了勾画,对被试按照3:1的比例划分为训练集与独立测试集。根据多序列MR影像的特点,采用一种基于ASPP结构（Atrous spatial pyramid pooling）和注意力机制的多序列特征深度融合策略,构建一种多序列特征深度融合生成器,基于生成对抗网络分别构建利用配对影像进行训练的Pix2pix多序列融合模型,以及利用非配对影像进行训练的Cycle GAN多序列融合模型,从多序列MR影像中生成s CT影像。实验结果表明,与真实CT影像相比,三种MR序列融合的Pix2pix模型合成的s CT影像MAE（Mean absolute error）为94.76 HU,MSE（Mean square error）为41650.98 HU,PSNR（Peak signal to noise ratio）为26.35 d B;三种MR序列融合的Cycle GAN模型合成的s CT影像的MAE为122.40 HU,MSE为60782.58 HU,PSNR为24.49 d B,所提出的多序列特征深度融合策略,优于多通道输入特征融合以及跨模态卷积特征融合策略。此外,针对原发肿瘤区域的生成质量进行了评估,Pix2pix多序列融合模型合成的s CT影像原发肿瘤区域的MAE、MSE和PSNR分别为69.89 HU、20670.67 HU和29.54d B,Dice系数（Dice coefficient）为0.842,豪斯多夫距离（Hausdorff distance）为4.86mm,Cycle GAN多序列融合模型合成的s CT影像原发肿瘤区域的MAE、MSE和PSNR分别为92.64 HU、29363.89 HU和28.61 d B,Dice系数为0.787,豪斯多夫距离为5.34mm。本研究利用NPC患者的多序列MR影像,基于生成对抗网络建立多序列融合的生成模型生成s CT影像。通过实验证明,构建的生成模型可从鼻咽癌患者的多序列MR影像生成高质量s CT影像,尤其所生成s CT影像与真实CT影像的原发肿瘤区域的像素强度和结构具有良好的一致性,具有重要的临床应用价值。