放射治疗是当前临床最常用的肿瘤治疗方式之一,约70%的癌症患者需要接受放疗或是与手术化疗结合使用。放疗目标是在保证靶区处方剂量的同时减少危及器官（OARs）的照射剂量,提高肿瘤治疗增益比。然而分次治疗间肿瘤位置和形状的改变,以及治疗期间的呼吸运动都会影响肿瘤疗效。目前主要利用自适应放射治疗（ART）解决上述问题。ART根据治疗分次间的肿瘤形态位置误差反馈修正放疗计划是不断优化的过程,需要耗费大量的时间与精力。预测剂量分布能帮助医生快速完成临床可接受计划,然而剂量分布不仅与患者解剖结构有关,还受靶区剂量覆盖率与保护OARs之间的权衡影响。因此预测具有医生偏好权衡的个体化剂量分布是ART的重要发展方向。在治疗期间ART通常采用锥束CT（CBCT）获取患者解剖图像。然而CBCT无法如螺旋CT外加射束准直器,导致CBCT图像具有严重散射伪影,制约了 CBCT在ART中的应用。此外CBCT需要围绕患者旋转采集不同角度投影用于图像重建,而平板X射线源是一种分布式点源成像器件,能静态扫描采集多个角度投影,降低机械运动误差,对于发展新型ART成像系统具有潜在应用价值。而构建预测模型能经济有效地评估平板X射线源成像性能,有利于优化器件结构和剂量学特性。深度学习通过构建神经网络学习数据特征表达,已在许多领域取得显著成功。本文围绕上述ART关键技术问题,研究了深度学习方法在个体化剂量分布预测、CBCT散射校正以及有望用于ART的新型成像器件性能预测模型的应用。本论文主要研究内容包括:1.开发了一种基于剂量体积直方图（DVH）和患者解剖结构的深度学习模型。该模型能预测具有医生偏好权衡的个体化剂量分布。基于患者解剖结构的模型只能产生平均适形剂量分布,无法为特定患者实现个体化治疗目标。本研究利用DVH量化医生偏好权衡,并使用前列腺癌患者验证了该模型的可行性。2.提出了一种基于深度强化学习的蒙特卡罗模拟与目标分布建模融合的散射分布估计方法。首先采用低光子数蒙卡模拟加速产生原发散射信号,然后构建了基于泊松分布和稀疏特征的优化目标函数,并推导出求解该目标函数的过松弛算法。利用深度强化学习构建deep Q-network与过松弛算法智能确定不同情况下的最优参数值,以获得最佳的散射图像质量。3.构建了可用于ART新型器件的成像性能预测模型。该模型考虑了点源矩阵物理特性和成像系统几何配置的影响,并采用深度强化学习自动确定预测模型的超参数。实验结果证明该模型能精确预测不同成像条件下的平板X射线源成像性能,有助于平板X射线源的设计与分析。