X射线计算机断层成像（X-ray Computed Tomography,XCT）技术,能够获得反映被测物体内部结构信息的断层图像。XCT凭借其无损伤、非接触式探测的特点,在现代医学临床诊断和工业器械质检等领域中都取得了出类拔萃的效果。目前多数XCT系统所使用的是能量集成型探测器,最终获得的是整个射线能谱上的X射线平均衰减信息。与之相比,基于X射线光子计数探测器的能谱CT系统,借助于探测器的能量分辨能力,能够获得被测物体在不同能量范围内的X射线吸收特性。然而,受限于光子计数探测器的光子响应不一致问题,以及部分较窄能谱范围内的探测光子数量有限,能谱CT系统所得图像中依然存在一定的噪声和伪影,图像质量严重影响了能谱CT图像材料的识别分解研究。近些年来,随着人工智能技术不断蓬勃发展,借助于深度学习理论开展能谱CT相关领域的研究方兴未艾。本论文的研究内容依托于国家重点研发计划项目（项目编号:2016YFC0104609）、中央高校基础研究基金项目（项目编号:2019CDYGYB019）和重庆市自然科学基金项目（项目编号:cstc2020jcyj-msxm X0553）,运用深度学习理论,开展了关于能谱CT图像质量优化和材料识别相关研究。文章的主要研究内容如下:（1）在介绍传统XCT的成像理论基础之上,系统描述光子计数探测器的工作原理,总结能谱CT成像技术的特点和优势,为后文的能谱CT图像质量优化和材料识别研究奠定相应的理论基础。（2）针对能谱CT图像中存在噪声和伪影的问题,本文借助于深度学习技术,设计了一种用于改善能谱CT图像质量的神经网络模型。利用能谱CT系统,扫描小鼠标本构建能谱CT图像数据集,进行对比实验来验证该方案的可行性。实验结果表明,所提出的网络对能谱CT图像具有很好的去噪和伪影消除效果。（3）在能谱CT图像域材料识别研究中,针对传统分解方法分解精度不高和效率较低的问题,结合生成对抗网络提出了一种用于能谱CT图像材料分解的神经网络模型。设计了对比实验来验证该方法的可行性,对相关网络的测试结果进行了全面分析。研究结果表明,该方法能够有效提高能谱CT图像材料分解精度。