X射线成像质量是为医学CT图像分析处理提供空间对应关系的基础。由于图像外观建模的复杂性和变形配准模型的计算复杂性,如何在低剂量的X射线能量照射下成像为高质量的CT图像是目前急需解决的难题。X射线热声成像技术作为近年来发展迅速的新兴成像技术,这种混合成像技术可以将CT图像的高对比度和声学的高分辨率相结合,使其成为医学影像中具有广泛前景的成像方法,而传统的成像技术（包括CT,B超和MRI）则存在对比度低,某些组织类型的特异性,以及与高剂量电离辐射相关的其他风险。尽管为提高CT成像质量和降低X射线剂量的前沿方法研究已进行了重大工作,但由于各种实际原因,建立低剂量高分辨率的CT成像系统以及将其应用于广泛的临床应用仍具有挑战性。首先,X射线热声成像的前沿领域使用的迭代重建方法需要沉重的计算负担,并且大多数以前的工作只是对X射线热声效应进行分析,并没有综合传统CT成像的优势。而且,设计一种CT图像高分辨率重建方法也是一项挑战,目前已经提出了一些基于深度学习的方法,但是需要大量的高分辨率CT样本来训练模型,并且训练样本的标注成本很高。本文致力于解决X射线在肺部的热声成像以及应用于提高肺部CT图像质量中的上述问题。针对低剂量成像的需求,从进一步提高CT成像质量为出发点,本文以X射线热声效应为基础,结合当前CT成像的优势,围绕快速成像、多模态图像配准和CT图像超分辨率重建的关键问题,开展的主要研究工作如下:（1）本文选择人体肺部组织作为研究部位,创建了肺部数字体模,并且搭建了X射线热声成像的模拟平台,在平台内模拟了X射线源能量、热声效应在肺部的初始声压和圆弧分布的超声探测器,并将探测器获取的热声信号进行滤波反投影重建,以满足低剂量CT成像的需求。在重建过程中,分析了该方法在肺部成像的应用中所需的最低剂量。（2）针对热声图像与CT图像的融合配准的特征分割需求,提出了一种新的半监督三维深度神经网络。该模型通过使用DSB数据集中的强标签和LUNA数据集中的弱标签训练该网络,从而输出肺部CT图像的所有可疑肿瘤结节。该模型可以按顺序同步提取两种标签,并在模型训练过程中通过一个加权传递函数将两个对象组合在一起。实验结果证明了所提出的方法可以显著提高肺结节检测的准确性。（3）模拟不同病人的肺部数字体模,并同时进行X射线热声成像与CT成像,得到配准的训练数据集,本文根据这些数据集基于上述提出的分割模型,先对图像的肿瘤特征进行分割提取。然后针对医学图像的流体配准特性,以大变形微形态度量映射模型为基准,通过卷积神经网络对模型进行参数化,并在一组图像上优化神经网络的参数。给定一对新的配准扫描训练,体素配准可以直接通过网络参数来快速计算变形场。（4）基于生成对抗网络,建立了一个可进一步提高CT图像质量的超分辨率重建模型,可从低分辨率对应对象中准确恢复高分辨率CT图像。特别的,本文使用了一个由16个残差块组成的深层非监督网络来设计生成器,并基于监督网络构建一个判别器,以减少每个隐藏层输出的维数。然后提出了四种类型的损失函数来构建新的损失函数,以加强生成器和判别器之间的映射。最后删除了常用残差网络中的批量规格层,以构造一种新型的残差网络。本文的创新点主要包括:（1）提出了一种新的半监督卷积迁移深度神经网络来对三维肺部CT图像进行肿瘤特征初始分割,以作为将X射线热声图像配准到原始CT图像的基础编解码框架,该方法可以在缺乏标注数据的条件下,与主流分割方法相比,其分割效果Dice系数提高了6%左右。（2）提出了一种基于流体模型的用于病理图像配准的肺部CT与热声图像配准方法,该方法先进行病理图像的分割,使配准更加准确,有望加快医学图像分析和配准的速度,同时为基于深度学习的配准及其应用提供了新的方向。（3）提出了一种生成对抗网络方法来进行CT图像的超分辨率重建,以进一步提高图像质量。在实验方面,采用先进的方法进行了客观和主观的综合评估。与主流深度学习方法相比,本文提出的网络结构在超分辨率图像重建中的峰值信噪比提高了5%左右,并且重建速度加快了30%左右。