计算机断层成像（Computed Tomography,CT）技术以无损、非接触的方式对物体进行三维成像,广泛应用于医学诊断、工业检测、安全检查、文物修复等领域。在实际应用中,成像系统与理想模型之间的偏差,会导致CT重建图像出现各种伪影。其中,几何伪影是由实际成像系统空间结构与理想几何模型参数失配所引起的图像伪影,表现为重建图像边缘模糊及重影,导致成像分辨率降低和图像质量下降。因此,准确高效的几何伪影校正对于CT技术向着更高成像分辨率发展至关重要。本文借助深度学习思想,分别从几何伪影定性评价、几何参数自标定、图像域几何伪影校正三方面开展CT图像几何伪影自校正研究,取得的主要创新如下:（1）提出了一种基于残差网络的CT图像几何伪影评价方法。几何伪影的校正效果决定重建图像的精度,如何客观准确地评价几何伪影校正效果是提高校正精度首要解决的问题。针对几何伪影多为主观评价问题,本文构建了包含不同几何伪影程度的数据集,设计了CT图像几何伪影评价（Geometric Artifact Evaluation,GAE）网络。使用残差块结构提取更高维度的图像特征;在卷积残差模块中添加注意力模块,挖掘通道层面和空间维度特征,进一步聚焦图像边缘特征,提升GAE网络评价效果。实验结果表明,相较于经典残差网络,GAE网络具有更优的综合分级性能,在不同体模测试数据集上总体分级准确率达到97.5%以上。（2）提出了一种基于伪影评价的区间搜索式几何参数自标定算法。针对现有自校正算法在几何参数搜索过程中因缺少有效判据导致算法精度低的问题,本文将GAE网络嵌入到几何参数自标定框架中,首先利用投影和对齐方法估计待标定几何参数的初始值,其次,利用GAE网络对基于估计值的重建图像进行伪影级别评价,根据伪影程度自适应设置参数搜索步长和搜索区间。最后,当GAE网络在搜索区间内判定重建图像无几何伪影,且参数搜索达到全局最优,完成几何参数标定。仿真和实际数据结果表明,该方法标定后的几何参数值接近真值,对应重建图像清晰、细节结构还原度高,与真值重建图像之间具有97.08%以上的结构相似度。（3）提出了一种融合残差和生成对抗网络（Generative Adversarial Networks,GAN）的CT图像几何伪影自校正方法。针对在实际应用中难以获取物体投影数据的情况,本文利用GAN网络的强大特征学习能力,学习从有几何伪影到无几何伪影的映射,提出了图像域几何伪影校正网络GAE-GAN。使用U-Net网络作为GAE-GAN网络的生成器,用于有效提取多层和边缘特征,生成接近真实的无伪影图像;使用基于残差网络的GAE网络作为判别器,用于判定输入图像是否存在几何伪影。为了使图像更符合人类感知,损失函数选用由内容损失和对抗损失两部分构成的感知损失。引入校正后图像被GAE网络判定为无伪影图像的概率P作为评价指标,客观评判网络校正后图像质量。仿真和实际数据实验结果表明,GAE-GAN网络能够有效去除CT图像几何伪影,获取高分辨率的校正图像。同时,相较于基于全卷积神经网络的校正方法,本文方法校正后图像被GAE网络判定为无伪影图像的概率P平均提升11.226%,具有更优的图像质量。