X射线计算机断层成像（X-ray Computed Tomography,X-CT）因具有无创、高时空分辨率等成像特点,被广泛应用于疾病的早期筛查和临床诊断。然而,当患者体内包含金属植入物时,由于射束硬化、探测光子不足和散射等因素,金属会在重建图像中引入放射型、明暗带状的金属伪影。金属伪影会降低CT图像的图像质量,严重时会影响临床诊断,造成病情的漏诊或误诊。因此,研究CT金属伪影校正算法,实现高质量图像恢复,对于临床诊断和治疗均有重要的意义。针对CT金属伪影校正任务,一方面本文通过深入分析基于传统模型的CT金属伪影校正方法,试图解决现有校正方法存在的金属邻近组织过平滑和组织结构损失等问题;另一方面,从深度学习技术出发,探索基于数据驱动的新型CT金属伪影校正方法。具体研究成果如下:（1）提出了一种结合投影插值和物理校正的自适应CT金属伪影校正方法。面对现有投影插值金属伪影校正方法会导致金属邻近组织过平滑和结构损失的问题,本文通过分析归一化投影插值和物理校正两种金属伪影校正方法的优缺点,设计了一个自适应权重将物理校正投影的结构信息融入到归一化插值投影中。融合后的投影极大地缓解了插值过平滑的问题,增强了插值投影的一致性。为验证和评估所提方法的伪影消除性能,本文分别在仿真数据和临床数据中进行实验。实验结果表明,所提出的方法可以在消除金属伪影的同时保持金属邻近组织细节和抑制新伪影的产生。（2）提出了一种基于多尺度小波与半实例归一化的深度CT图像金属伪影校正方法。基于CT原始投影数据难以获取的现状,本文构建了基于图像域的多尺度小波-半实例归一化网络模型。首先,考虑到金属伪影中的射束硬化和散射成分具有低频的特点,小波变换分解的高频信息可有效帮助网络恢复被伪影污染的组织结构细节。此外,金属伪影具有全局发射的特征,小波变换实现的上采样和下采样扩大了卷积层的局部感受野,从而增强网络模型对金属伪影全局特征的学习。然后,通过在网络模型中嵌入半实例归一化模块,提高网络的泛化性能。最后,本文还提出一个新颖的伪影误差比网络损失函数,为网络训练提供一个稳定的优化方向,提升了伪影的消除性能。通过仿真数据和临床数据实验证明,所提方法不仅能很好地消除图像中的金属伪影而且具有良好的泛化性能。