X射线计算机断层成像（Computed Tomography,CT）作为一种高清晰度的无损检测方式,近年来广泛地应用于医学检查和工业检测等领域。随着CT成像技术的广泛应用,成像过程中一些问题引起了专业人员的注意。由于操作人员的失误、成像仪器的故障、病患的体动等各种原因,CT成像系统的检测设备不能接收到完整的X射线投影,导致常规办法重建的图像被严重的伪影所污染。这个问题被称作缺失角度的锥束计算机断层扫描（Cone Beam Computed Tomography,CBCT）重建问题,本项目中将该问题分成两个部分来讨论:第一部分主要讨论稀疏角的CBCT重建问题,这是探测器欠采样问题。第二部分主要讨论有限角的CBCT重建问题,这是由于探测器采集到的投影信息在连续的一段区域丢失导致。解决以上两个问题比较主流的方法包括投影域前处理技术、迭代重建技术和图像域后处理技术。重建的目标是修复缺失的投影或者图像信息,使重建图像能够达到或接近全角度重建的高质量图像。常规的图像处理方法在解决缺失角CBCT重建问题时容易丢失组织细节。本项目结合生成对抗网络（Generative Adversarial Nets,GANs）的最新成果,对稀疏角伪影预测的复杂问题进行非线性建模拟合,同时通过训练多步的网络结构,优化有限角投影重建图像。本项目分为以下两个部分:第一,在Wasserstein GANs（WGAN）损失函数的基础上增加了一个基于判别器梯度的非负梯度惩罚项（WGAN-GP）稳定判别器的梯度下降过程。引入U-Net和自定义的特征提取网络分别作为生成器和判别器,预测稀疏角重建问题中的伪影分布。该方法在提取伪影特征的同时最大限度的保存图像整体结构和恢复组织细节,能够比主流的端到端深度学习网络获得更好的重建效果。第二,在WGAN-GP的基础上,考虑到有限角滤波反投影重建图像伪影更加严重,结合数据集本身的特点,构建了一个三步重建网络解决有限角投影重建问题。第一步使用二维逐切片训练的WGAN-GP对图像的每个切片进行去伪影处理,恢复图像的整体结构;第二步进行解析操作,矫正重建图像中衰减较大的部位,同时也会引入一些模糊;第三步使用三维WGAN-GP处理上一步的结果,能够考虑到图像的层间相关性,同时抑制第二步中引入的模糊,进一步恢复图像细节,同时增强了组织间的对比度。本项目使用了来自中国江苏省人民医院口腔科的锥束CT进行实验,结果表明提出的方法和主流的重建方法相比,能够取得显著的性能提升。