电子计算机断层扫描（CT,Computed Tomography）是最为常见的医学影像技术之一。受限于硬件设备与成像原理,CT扫描重建得到的CT图像可能存在精度低或者含有噪声、伪影等问题。CT图像的质量增强是医学图像处理的重要研究内容,主要方向有提高CT图像精度与消减CT图像噪声与伪影等。在提高CT图像精度方向,现有的技术方法多数集中在提高单张CT图像的精度,鲜有关注到CT图像作为三维图像的层间距精度。在CT图像的伪影消减方向,受限于缺乏标准的监督数据集,现有的技术方法多数利用算法生成模拟监督对,将模拟监督对的训练结果应用在真实图像上,忽视了模拟图像与真实图像之间的差异。在提高CT图像精度方向,本文提出了基于VAEGAN（变分自编码生成对抗网络,Variational Auto-Encoder Generative Adversarial Networks）形状约束的CT图像层间距加密网络,利用已有粗层间距CT图像生成细层间距的图像。针对人体组织结构具有相似性的特点,本文使用VAEGAN学习人体部位的组织结构分布,对细层间距图像进行形状约束;针对CT图像的组织结构信息具有连续性的特点,本文将图像之间组织结构信息的变化看做形变问题,学习形变场对细层间距图像进行预测;针对医学图像要求真实与细节丰富的特点,本文实现了加入多尺度特征提取跳跃连接的Unet网络架构以及通道注意力机制,能够更精确地预测形变场。相较于视频插帧工作在本方向的直接应用,本文方法在视觉方面有着更好的表现,在SSIM（结构相似性,Structural SIMilarity）和PSNR（峰值信噪比,Peak Signal to Noise Ratio）等图像质量指标上的对比也取得了不错的效果。消融实验的结果证明了本文设计模块的合理性与有效性。在CT图像金属伪影消减方向,本文提出了基于卷积网络的CT图像金属伪影消减网络。针对模拟数据与真实数据的差异,本文使用VAE（变分自编码器,Variational Auto-Encoder）学习两种数据的潜在表示,并对潜在表示进行约束,使两种数据在潜在空间的分布趋于一致,伪影图像特征在潜在空间进行变换,经过重建后得到伪影消减图像;针对CT图像投影数据存在错误数据区域,本文在潜在空间特征变换模块中实现了部分卷积,在卷积时只计算正确的数据,避免错误数据参与卷积运算造成负面影响;最后,本文对图像进行了精化,减少因为投影与反投影带来的误差。相较于现有的CT图像金属伪影消减工作,本文方法起到了更好的视觉效果。