X射线计算机断层（Computed Tomography,CT）成像技术是一种高效地无创诊断技术,在辅助临床诊疗方面发挥着至关重要的作用。高效可靠的CT重建算法是CT成像技术中重要的一个环节。临床患者在CT检查过程中会伴随辐射风险,过量的辐射会诱发白血病和癌症等疾病。稀疏角度扫描是一种常见的减少辐射剂量的方式,但该扫描方式会导致投影数据不完备。若采用不完备的投影数据进行CT图像重建,则会导致重建图像中存在伪影、噪声和重建图像解剖细节不清晰,进而影响临床医生做出诊断。因此,研究提高稀疏角度CT重建图像质量的算法至关重要。基于卷积神经网络（Convolutional Neural Networks,CNN）的重建算法是目前最有潜力的CT重建算法,它借助神经网络强大的特征提取和组合能力提高了CT重建图像的质量,具有重建速度快,重建图像质量高等优点。本文主要研究基于卷积神经网络的CT重建算法,分别研究了联合投影频域滤波的双域网络和基于正弦图生成的双域网络。论文的主要研究工作如下:（1）针对解析重建算法中的时域滤波器不精准导致重建图像存在伪影和图像细节丢失等问题,研究了一种基于卷积神经网络的时频域CT重建算法。首先,在频域中构建了基于卷积神经网络的滤波器网络,实现投影数据的频域滤波;其次,利用反投影操作算子对频域滤波后的投影进行域转换得到重建图像;接着,在图像域构建网络来对来自反投影层的图像进行处理;最后,在采用最小均方误差损失函数基础上引入多尺度结构相似度损失函数来组成复合损失函数,缓解深度神经网络对结果图像的模糊效应,保留重建图像细节。图像域网络和投影域滤波网络联合作用,最终得到重建结果。在数据集上验证了所提方法的有效性,实验结果表明,所提算法对提高CT图像重建图像质量是可行且有效的。（2）针对由于稀疏角度扫描采集到不完备的投影数据导致稀疏角度CT重建图像信噪比低、存在条状伪影等问题,研究了一种基于正弦图生成的双域CT重建网络。首先,在投影域中采用卷积神经网络对非完备投影数据补全,同时使用编解码网络对补全的投影数据做修正和滤波;然后,滤波后的投影数据通过反投影层得到重建图像;最后,在图像域使用神经网络对重建图像进一步恢复;整个的网络采取端到端的训练方式。在仿真的数据集上对算法进行实验验证,实验的结果显示该方法对提高稀疏角度CT重建图像质量是可行且有效的。