计算机断层扫描（CT）是一种非侵入性的成像技术,在工业检测、医学诊断等领域具有重要的研究和应用价值。医用CT成像时,若检测视场范围内存在金属物体,重建图像将出现大面积的暗带区域或放射状的黑白色条纹,即金属伪影。金属伪影会破坏重建图像的断层结构,降低图像分辨率。针对金属伪影校正研究中存在残留伪影、无法精确重建组织结构等问题,本文重点研究实现三种经典的金属伪影校正方法,并结合深度学习提出改进算法。论文主要研究内容包括:第一,研究并实现三种经典的金属伪影校正算法,包括射束硬化（BHC）校正算法、线性插值（LI）算法、归一化金属伪影校正（NMAR）算法,分析总结每种算法的优劣。通过仿真实验测试上述算法对结构简单的金属植入物的校正效果,验证算法的有效性。第二,针对传统的单金属伪影校正方法无法取得理想校正效果的问题,提出基于残差编解码网络的金属伪影校正（RED-CNN-MAR）方法。首先,利用训练好的RED-CNN网络初步完成金属伪影CT图像到无金属伪影CT图像的修复工作;其中,网络的三通道输入为原始图像、BHC图像、LI图像。接着,为进一步抑制金属伪影,对RED-CNN输出图像应用基于阈值分割的组织处理技术以获取良好的先验图像。最后,滤波反投影重建修复数据的前向投影,得到无金属伪影的校正图像。实验分析表明,该方法可消除水当量组织残留的金属伪影,恢复出原始的结构细节。第三,针对简单的残差网络修复的图像存在细节丢失、伪影消除不彻底的问题,提出基于改进生成式对抗网络的金属伪影校正（Pix2Pix-MAR）方法。首先,Pix2Pix网络的生成器模型采用RED-CNN网络框架,将无金属伪影图像作为参考条件加入判别器模型,在条件训练的情况下生成最终的校正图像。接着,为提高判别精度,使用基于局部图像块判定的Patch GAN网络判定生成图像与参考图像的真伪。实验分析表明,该算法在提高图像分辨率的同时可去除骨水交界处的金属伪影,恢复精细的组织结构。