基于CBCT生成的合成CT（sCT）能夠有效抑制偽影并提高CT值準確性，借此可精確計算放射劑量。然而，sCT圖像不同組織區域的生成質量嚴重不均衡，軟組織區域與其他區域相比生成質量較差。為此，本文提出了一種基于VGG-16的多任務注意力網絡（MuTA-Net），重點提升sCT軟組織區域的圖像質量。首先，引入多任務學習策略將sCT生成任務分為全局圖像生成、軟組織區域生成和骨區域分割三個子任務，保證全局圖像生成質量的同時，強化網絡對軟組織區域特征提取和生成的關注程度，并利用骨區域分割任務引導后續結果融合；然后，設計注意力模塊進一步優化網絡的特征提取能力，引導網絡從全局特征中提取子任務特征；最后，借助結果融合模塊整合各個子任務的生成結果，實現高質量的sCT圖像生成。在頭頸部CBCT上的實驗結果顯示，與ResNet、U-Net和U-Net++三種對比方法中的最優結果相比，基于本文所提方法生成的sCT圖像在軟組織區域的平均絕對誤差下降了12.52%。MuTA-Net在CBCT引導的自適應放療領域具有潛在的應用價值。