锥束CT（Cone Bone Computed Tomography,CBCT）以其放射剂量低、X射线利用率高、设备简单、扫描速度快等优点,应用范围越来越广泛,比如牙床、胸腔、骨盆部位的检查等临床医学应用以及精密仪器设备检测应用等。但是CBCT系统采用的平板探测器相较于CT系统的探测器锥角增大,而且缺少CT系统中用于吸收散射的准直器,因此CBCT图像更容易出现伪影,图像质量受到严重影响,让CBCT在医学诊断中的应用受限,本文旨在探索一种有效的去除CBCT图像伪影的方法。首先,介绍选题背景,从硬件、软件、软硬件结合三方面介绍了常用的伪影校正方法;对CBCT系统进行介绍,包括CBCT系统的成像原理以及系统中每个组件的交互,分析伪影产生的原因并对其进行分类,介绍了包括迭代法和解析法等常用图像重建算法。此外介绍了深度学习的相关知识为后续的研究打下基础。其次,由于完全不含有伪影的CBCT图像难以获取,本文基于携带伪影的CBCT图像与没有伪影的CT图像制作胸部区域的数据集,但这样会引发数据集不对齐的问题。本文提出引入情境损失（Contextual Loss,CX Loss）来解决数据不能完全对齐的问题,搭载卷积神经网络,通过不断优化找到最优的网络参数以及损失函数的权重比。最后将本文方法与感知损失的校正结果采用结构相似性、峰值信噪比、平均绝对误差、标准差四种指标对实验结果进行评估,结果显示,情境损失更适合于解决本文实验数据不对齐的问题并且可以在一定程度上抑制伪影,但是存在原图像细节丢失、部分区域出现模糊的问题。最后,为了解决输出图像存在细节丢失的问题,在情境损失的基础上,改进卷积神经网络,旨在寻找一个能够充分利用图像特征信息的卷积神经网络,避免图像细节信息的丢失。本文在残差网络的基础上构建新的跳跃残差网络,通过在残差块之间加入连接,将前一个残差块中的局部特征与后一个残差块中的局部特征堆叠起来,充分利用来自不同残差块的中间特征信息。通过定量分析发现,该残差网络较基准线有所提升。除此之外,采用平均CT值、平均结构相似性、平均峰值信噪比、平均绝对误差这四个指标,对比其他伪影校正方法,结果发现,该方法可以更好地去除图像中的伪影而且可以保留原图像的内部轮廓与纹理信息。头部数据的测试结果说明该方法在其他身体部位也具有一定的泛用性。