众所周知,此次2020年春季在全世界范围内大规模暴发的“新冠肺炎”疫情,借助于医用CT临床诊断技术评估或评判“新冠肺炎”患者肺部炎性已然成为不可或缺的重要方法而大放异彩。发韧于医学CT技术的X射线能谱CT,其不同于传统医用CT利用积分型探测器以“积分测量”之“整体化”获取患者人体组织信息,它是通过光子计数探测器利用不同能量X射线的吸收特性以“微分测量”之“差异化”获取人体组织不同能量区间内X射线衰减特性,依据这一差异,不仅可以提高衰减系数相近材料的成像对比度,而且还能对扫描对象进行定性及定量分析为世人所瞩目。然而,X射线是一个连续能谱,虽然通过光子计数探测器探测不同能量的X射线与物质或材料相互作用后的光子（可见光）,可以重建不同能量区间的能谱CT图像,借以进行不同材料的识别与分析,但是X射线能谱CT在其特定的X射线能谱区间所探测到的光子数量有限,致使能谱CT投影数据和重建图像具有低的信噪比（SNR）特征,图像噪声大,因此,如何进行高效的能谱CT图像降噪和实现高精度的材料分析与识别,迄今仍然是一个亟待解决的难题。有鉴于此,本文的研究工作依托于科技部国家重点研发计划项目（项目编号:2016YFC0104609）、国家自然科学青年基金项目（批准号:61401049）、重庆市基础科学与前沿技术研究专项项目（项目编号:CSTC2016JCYJA0473）及中央高校基金基本科研业务费项目（项目编号:2019CDYGYB019）和重庆市教委科学技术研究计划项目（项目编号:KJQN201904007）等科研课题,立足于所构建的光子计数探测器的X射线能谱CT系统,开展了基于深度学习的X射线能谱CT图像降噪处理及其材料识别方法研究工作。论文的研究工作内容,主要包括:（1）在广泛调研、阅读国内外与之有关大量文献基础上,阐明了研究背景及意义,综述了国内外X射线能谱CT技术研究工作进展,分析了X射线能谱CT图像降噪技术及材料识别技术的研究现状、发展趋势及目前尚亟待解决的关键科学问题,明确了本论文研究工作的主要内容。（2）研究分析了X射线能谱CT技术基本理论。在此基础上,针对X射线能谱CT成像技术的特点,开展了复杂被测物的材料识别研究,在能谱CT图像域中,结合深度学习相关算法,构建了能谱CT图像降噪模型和能谱CT材料识别模型。（3）基于深度学习的X射线能谱CT图像特征提取模型研究。建构于光子计数探测器的X射线能谱CT系统,虽然能够探测不同能量X射线的衰减特性,然而在较窄能量区间内探测到的X射线光子数量较少,致使重建能谱CT图像信噪比低。为此,从深度学习的特征提取单元着手,研究了一种新型的特征提取结构——金字塔残差模块,以此能够有效提取能谱CT图像特征信息。与VGGNet和ResNet等网络使用的结构不同,金字塔残差模块能够有效减少网络的参数量,加快网络收敛速度,降低网络过拟合和梯度爆炸的风险,拥有更优良的特征提取能力,这为后续研究基于深度学习的能谱CT图像降噪处理和材料分析与识别奠定了基础。（4）基于金字塔残差网络的X射线能谱CT图像降噪技术研究。针对在较窄能量区间内探测X射线光子数量有限,致使能谱CT重建图像噪声较强的严峻问题,依据实际能谱CT数据特征,构建了噪声模型,创建了数据集。借助于金字塔残差模块的图像处理能力,设计了降噪网络。采集了小老鼠能谱CT图像,以此构造了数据集,验证了模型的性能和泛化能力。较之于DnCNN、REDCNN等经典模型,研究设计的网络模型获得了更好的结果,其优质图像作为数据源,为后续的材料识别研究提供了高质量的能谱CT图像。（5）基于全卷积金字塔残差网络的X射线能谱CT材料识别研究。由于X射线能谱CT的传统基材料分解方法是建立于CT图像域材料识别,因此其在多物质重建过程中极易受噪声影响,材料的识别精度不高。为此,研究设计了一种基于金字塔残差模块的全卷积神经网络,开展了能谱CT材料识别研究。通过引入编码器-解码器结构和跳跃连接,能够检测能谱CT图像中不同材料的区域,达到材料识别的目的。所设计的算法缓慢增加网络特征维度能够有效减少训练参数,并且利用跳跃连接传导特征图,提高了浅层网络中特征图的利用效率。在小老鼠能谱CT图像数据集中,验证了设计的方法,相较于其他诸如SegNet、FCN-8s、U-Net等深度学习方法,本文算法获得了更好的分割结果。同时,与传统的图像域基材料分解法相比较,本文算法具有较高的材料识别精度。