图像恢复是指从低质量图像中恢复出原始的高质量图像的任务。图像质量的退化通常发生在图像采集、传输以及存储过程中,可能存在的退化包括附加噪声、下采样、模糊以及像素损坏等,因此图像恢复任务主要包括:图像去噪、图像去模糊、图像超分辨率重建以及图像修复等。本文主要基于CT(Computed Tomography)图像开展去噪和超分辨率重建等图像恢复任务的研究。CT是现代放射学中最重要的成像方式之一,由于能够显示内部器官的精细细节,CT成像已被广泛用于疾病的诊断和早期筛查。但是CT成像也存在一些缺点,包括在进行CT扫描时由于X射线穿过物体时部分能量被吸收导致在重建后的CT图像中出现的射束硬化伪影,以及为了降低对人体损害而降低了扫描剂量导致在重建后的低剂量CT图像中出现较强的噪声等。这些问题均会降低重建后的CT图像质量,对疾病的诊断有较大的影响。目前针对射束硬化伪影校正问题,有基于硬件滤波、双能量、统计多色重建和线性化等的传统方法,除此之外,还有一些基于模型的校正方法和基于学习的方法等。虽然目前有这么多成熟的射束硬化伪影校正方法,但是对医生来说缺乏一个系统的软件来实现伪影的校正。对于低剂量CT图像去噪而言,传统方法主要有正弦图滤波、迭代重建以及重建后处理等三类。而随着机器学习的发展也出现了一些基于学习的低剂量CT图像去噪方法,这些方法实现了比传统方法更优的去噪效果,但是这些基于学习的方法均要求像素配准的配对训练数据,而在实际情况中,配对的训练数据很难获取到。针对以上问题,本文开展了基于未配对数据的低剂量CT图像去噪和图像超分辨率重建研究。本文的主要研究内容概括如下:(1)基于物理仿体模型的射束硬化伪影校正以及软件研发。本文实现了基于模型的射束硬化伪影校正方法,并开发了相应的射束硬化伪影校正软件。利用自制的仿体模型得到了存在射束硬化伪影的CT图像数据,并在此数据基础上验证了软件的伪影校正功能,结果表明本文开发的射束硬化伪影抑制软件在真实数据上有效的抑制了伪影。(2)低剂量CT图像的去噪方法研究。针对实际应用中配对数据难以获取的情况,本文提出了一种在未配对训练数据下实现低剂量CT去噪的网络。该网络包含两个分别用来生成去噪后图像和噪声的生成网络,通过结合两者的输出得到合成的低剂量CT图像。另外还有两个判别网络,分别用来区分去噪后图像和常规剂量CT图像以及判别合成的低剂量CT图像和真实的低剂量CT图像。通过与现有的基于未配对样本训练的cycle-GAN网络模型进行对比分析之后发现,本文提出的方法在未配对图像去噪任务上具有更好的视觉结果,并且在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似性(Structural Similarity,SSIM)值上分别比cycle-GAN网络高出了 8.01和0.05。另外本文提出的方法在配对数据下的表现与现有的一些基于深度学习的方法基本持平,在PSNR和SSIM等图像质量评价指标上的表现最佳。(3)基于深度学习的图像超分辨率重建研究。针对自然图像数据集,本文总结分析了现有的基于深度学习的自然图像超分辨率重建方法,并结合EDSR和SRGAN网络实现了增强的SRGAN网络。本文基于现有的方法以及改进的方法实现了配对和未配对数据下的自然图像超分辨率重建任务,并且对比分析了各种方法的有效性及优劣。针对CT图像超分辨任务,本文首先将采集到的高分辨率数据进行了下采样得到了低分辨率数据,然后应用了在自然图像超分辨率重建任务中的几种方法,并将原始的cycle-GAN与SRGAN网络结合实现了用于未配对训练的SR-cyclegan网络,实现了配对和未配对数据下的CT图像超分辨率重建任务,并对各种方法的有效性进行了量化分析评估。