近年来,心血管疾病已经成为了世界各地死亡率上升的主要原因之一。医学影像技术的飞速发展为提高心血管疾病的预测精度做出了巨大贡献。目前,在冠状动脉疾病的诊断与研究中,冠状动脉CT血管造影（Coronary CT Angiography,CCTA）发挥了重要作用。然而,在CT的成像过程中,胸部和心脏部位相比较其他身体部位更容易受到不理想的屏气和心脏搏动的影响,使得CCTA图像中存在运动伪影。运动伪影会使图像存在模糊、重影或内部结构严重变形等图像失真,从而影响诊断的准确性。因此,在影像医师阅片前,对图像中的伪影进行量化,获得客观的图像质量评价,可以减少误判,而且对于建立自动化的计算机辅助诊断尤为重要。在CCTA图像中,右冠状动脉（Right Coronary Artery,RCA）处的运动伪影最显著且易影响后续诊断,因此本文主要开展RCA处60×60的ROI区域运动伪影检测与量化研究。（1）基于运动轨迹的CCTA图像伪影仿真研究:为解决CCTA图像中运动伪影评估缺少量化标注数据集的问题,本文提出了运动伪影仿真算法。该算法将引起RCA处运动伪影的呼吸运动和心脏跳动进行建模,并利用它们之间的相互作用生成运动轨迹,之后对运动轨迹进行上采样,将得到的运动模糊核与不含运动伪影的CCTA图像进行卷积生成含有运动伪影的图像。最后使用峰值信噪比和结构相似性系数对含有运动伪影的图像进行量化分数标注,作为本文的数据集。（2）基于传统机器学习的伪影评估模型:现存的算法多是对自然图像中的伪影失真作研究。考虑到医学图像与自然图像的成像差异,本文对实验所用的图像数据集进行了分析,根据CCTA图像中伪影的特点,选择使用局部二值模式、Scharr滤波器和Gabor滤波器提取图像纹理特征。将提取的纹理特征和CCTA图像的归一化亮度特征作为支持向量机回归（Support Vector Regression,SVR）模型的输入,使用SVR学习特征到预测分数的非线性映射。最后将提出的算法分别在本文的数据集和公开的数据集上进行了实验,结果证实本文算法优于其他算法。（3）基于深度学习的伪影评估模型:针对本文的数据集较小且CCTA图像中的背景大多较暗的问题,本文选取Res Net50作为特征提取网络,并集成注意力机制来提升模型对伪影的评估性能。此外,本文在传统的预测网络中增加了内容理解超网络。它可以根据输入图像的不同为伪影的量化预测模块生成不同的参数,增加了网络模型的适应能力。本文将含有注意力机制的网络模型和不含注意力机制的网络模型在本文的数据集和公共数据集上分别进行了实验,结果证实了本文算法的性能。