针对计算机断层成像稀疏重建过程中产生条状伪影的问题，本文提出一种基于对抗式残差密集深度神经网络的CT图像高精度稀疏重建方法。设计一种耦合残差连接、密集连接、注意力机制和对抗机制的UNet网络，以含条状伪影图像和高精度图像作为训练样本，通过大规模训练数据，对该网络进行训练，使其具有压制条状伪影的能力。首先，利用滤波反投影算法从稀疏投影中重建出含条状伪影的CT图像；接着，将其输入深度网络，通过网络压制条状伪影；最后，得到高精度的重建图像。实验结果表明，相比于现有的若干深度学习算法，提出的新型网络重建出的图像精度更高，可以更好地压制条状伪影。

电子顺磁共振成像（EPRI）是一种先进的氧成像技术。当前EPRI的瓶颈问题是扫描速度过慢，其原因是每个角度下的投影信号需要被重复采集几千次，以压制随机噪声。一种实现快速扫描的方法是减少投影信号的重复采集次数，然而这又使得投影信号信噪比降低，重建出来的图像噪声较大。为有效压制重建图像中的噪声，本文提出一种基于多通道、多尺度、多拼接的（3MNet）图像去噪网络，以实现高精度快速EPRI成像。该网络由3个子网络构成。第1个子网络是基于注意力机制的卷积网络，其输出的特征图像与输入图像拼接以构成后端网络的输入；第2个子网络是3通道卷积网络；第3个子网络是多尺度卷积网络。实验结果表明，本文提出的3MNet网络可以实现EPRI图像的高精度去噪，进而实现快速成像。