计算机断层扫描(CT)已经成为了临床中重要的无创检查技术。然而,近年来,有研究显示过量的X射线剂量和患癌风险的提高有密切的关联,人们对于CT扫描的健康风险的担忧日益增长。低剂量CT可以减少CT扫描对人体健康的危害,但是会产生信噪比较低的或者稀疏的投影数据。而利用这些低质量投影数据,目前商用的滤波反投影方法重建出来的图像含有大量噪声和伪影。因此,在降低剂量的条件下,如何用低质量的投影数据重建出高质量的图像,成为了低剂量CT重建的关键和难点。近年来,压缩感知理论在信号恢复领域获得了广泛的关注。压缩感知理论利用先验知识,例如信号在某些变换域中稀疏性,可以实现从稀疏采样中精确的重建原始信号。稀疏字典学习是一种表示学习方法,通过构建过完备字典,寻找信号在过完备字典上的稀疏表示,可以去除信号中含有的噪声。目前,深度卷积神经网络已经在视觉识别领域展现了优秀的性能。通过卷积神经网络来进行图像的降噪处理也成为了引人关注的课题。本文尝试把稀疏字典学习,深度卷积神经网络等图像处理领域的前沿成果引入到低剂量CT重建的框架中来,结合压缩感知重建,以期实现更好的重建质量。具体内容如下:1)提出了一种结合稀疏字典学习和压缩感知重建的低剂量CT重建方法。首先利用全变分最小化从低质量的投影数据重建出中间结果图像。通过自适应提前停止策略来对迭代重建进行调度,在合适的时间点停止迭代。然后通过稀疏字典学习的方法对中间结果图像进行处理。实验表明,所提出的方法不仅成像质量高,而且相比参与对比的压缩感知重建方法,用更少的运行时间,取得了更好的重建效果。2)提出了 一种结合深度学习的低剂量CT重建方法。特别的,设计了 一个基于深度残差学习的卷积神经网络,实现了两个层次的残差学习。一方面利用图像残差更容易拟合的特点,使得网络更容易训练,更好的学习输入图像和其残差之间的映射关系。另一方面,残差单元使得深层网络也能收敛到比较好的结果。实验表明,本文提出的重建方法能够获得比参与对比的其他方法更好的视觉效果和客观指标。