目的:建立基于深度学习的金属伪影去除系统（MARS），评估其对锥形束CT影像中不同厚度金属产生的伪影的去除效果。方法:采用三维打印的光敏树脂制作标准牙列模型（60　mm×75　mm×110　mm），设计目标牙位（上颌、下颌双侧第一和第二前磨牙）为可拆卸替换牙位，通过置入不同厚度（轴面及　　面厚度均分别为1.0、1.5、2.0　mm，即A、B、C组）的钴铬合金全冠试件，获得完全配对的含有或不含有金属伪影的锥形束CT影像，并通过结构相似度（SSIM）及峰值信噪比（PSNR）评估不同厚度钴铬合金全冠试件产生伪影的范围。建立基于卷积神经网络（CNN）与U型网络（U-net）的MARS（CNN-MARS及U-net-MARS），检验CNN-MARS和U-net-MARS两种系统去伪影前后图像的SSIM值和PSNR值，评估其去伪影效果；通过可视化方式分析两种系统去除锥形束CT影像中金属伪影的效果。采用单因素方差分析分别对两种系统的SSIM值和PSNR值进行统计分析，检验水准为双侧α=0.05。　结果:A、B、C组钴铬合金全冠试件的SSIM值（分别为0.916±0.019、0.873±0.010、0.833±0.010）和PSNR值（分别为20.834±1.176、17.002±0.427、14.673±0.429）差异均有统计学意义（　　F=447.89，　　P＜0.001；　　F=796.51，　　P＜0.001），并且随着钴铬合金全冠试件厚度增加，其SSIM及PSNR值均显著增加（　　P＜0.05）。对含有同一厚度钴铬合金全冠试件的图像，采用CNN-MARS与U-net-MARS去伪影后的SSIM和PSNR值均显著高于伪影去除前（均　　P＜0.05）。使用CNN-MARS去U-net-MARS伪影后，含不同厚度钴铬合金全冠试件图像的SSIM值和PSNR值差异均无统计学意义（均　　P＞0.05）。CNN-MARS与U-net-MARS去伪影后图像与原始图像的相似度较高；相比U-net-MARS，CNN-MARS去伪影后仍可见较清晰的金属边缘，目标区域的组织结构恢复更完整。　结论:本研究构建的锥形束CT图像金属伪影消除CNN-MARS与U-net-MARS模型，均可有效去除金属伪影的干扰，提升图像质量，且去伪影效果不受金属厚度的影响。相比于U-net-MARS，CNN-MARS对恢复伪影周围组织结构具有显著优势。