计算机断层成像技术(Computed Tomography)是一种用来观测目标断层的无损检测技术,它被广泛地应用在医学成像和工业检测中。与传统的拍片或数字化实时成像等检测手段相比,CT重建的断层图像空间分辨率高、对比度高,而且没有影像重叠,使得在不剖开被检测物的情况下得到质量比较好的断层切片。螺旋束CT具有扫描速度快、重建准确度高等优点,是目前医学诊断领域应用非常广泛的一种CT技术,但是螺旋CT技术还没有广泛地被应用于工业检测领域。螺旋束CT能实现连续地扫描待检测物,扫描效率高,使螺旋CT对工业中长棒型工件的扫描更方便,所以将螺旋CT应用于工业检测领域具有一定的实际意义。本文实现螺旋束CT系统重建的主要工作包括:经典的螺旋CT重建算法Katsevich算法的实现及算法的并行加速实现、相关软件设计与实现及三维可视化软件设计与实现等。实际当中的X射线源的能谱具有连续性,而大部分的CT重建算法都是基于X射线是由单一能量组成的假设,这导致重建的断层图像中出现射束硬化伪影。射束硬化伪影大大地降低了图像的质量,不仅影响了诊断结果,也会对后续的自动化尺寸测量和图像分割等过程产生影响,研究如何消除射束硬化伪影具有重大的意义。现有的CT的硬化伪影消除方法一般需要建立转换模型,完成从多能投影到单能投影之间的转换或者是多能重建断层到单能重建断层之间的校正,这些方法大都实现比较复杂,而且校正结果大都是得到一个近似解,校正效果不是十分理想。本文针对单材质的射束硬化伪影问题提出了一种基于深度学习的校正方法。射束硬化伪影在重建图像上表现为杯状伪影和条状伪影,而且在表现上具有一定的规律性,而深度学习能够拟合输入与输出之间的复杂的关系,能学习图像的特征并进行组合。所以本文采用深度学习的方法来学习含有硬化伪影的图像与不含伪影的图像之间的关系,从而达到校正硬化伪影的目的。网络的输入图像是根据多能投影利用FBP算法之间重建得到的断层图像,输出是某个能量下单能重建的不含伪影的断层图像,基于大量的数据训练得到输入与输出之间的关系,得到校正模型,然后用于抑制其他图像的硬化伪影。模拟实验和实际实验初步验证了本文提出的方法的有效性和对能谱具有一定的适用性。