X射线计算机断层成像技术作为目前一种医学治疗的有效方式,提供清晰的人体解剖结构图像为医生带来了诊疗上的便利。而完整的CT扫描具有较高程度的电离辐射,低剂量CT扫描虽然能够有效降低患者所受的辐射伤害,但由于扫描范围不完全使得得到的是缺失的投影数据,从而重建出的CT图像不够清晰影响临床治疗。因此在缺失CT投影数据情况下重建出高质量的CT图像具有重要意义。本文针对在有限角度方向上缺失以及探测器方向上缺失投影数据这两种情况,首先提出了一种基于深度多重解析网络的缺失CT投影数据估计方法。该方法流程包括训练阶段和测试阶段。训练阶段的生成网络使用基于卷积神经网络(Convolutional Neural Network,CNN)的编码器对输入的缺失CT投影数据进行编码,再由解码器输出有限角度缺失部分或截断缺失部分的估计结果。缺失部分的估计结果和其对应的真实投影数据共同作为局部判别器的输入。缺失部分的估计结果和非缺失部分的真实投影数据进行拼接形成合成投影数据,将合成投影数据和完整的CT投影数据共同作为全局判别器的输入。判别器判别出生成网络估计的投影数据缺失部分是否为真实的概率。训练好的生成网络可以有效预测出缺失CT投影数据,最后用滤波反投影(Filtered Back Projection,FBP)算法从合成投影数据中重建出CT图像。此外,针对稀疏CT投影数据,本文还提出了一种基于多判别器的多重解析网络的缺失CT投影数据估计方法,同样分为训练阶段和测试阶段。相较于之前的网络模型,增加了多个与生成网络编码器结构类似的区域判别器来处理对应的稀疏缺失区域。实验结果表明,相比于目前现有的几种方法,本文提出的方法生成的CT投影数据更接近CT投影数据真实值,像素值在缺失区域边界上具有高度一致性,重建出来的CT图像更清晰,可以达到临床需求。