计算机断层扫描（CT）是现代医学重要的组成部分,它在诊断全身性疾病如脑部、胸部、腹部、骨骼和乳腺组织方面展现出巨大的优势。乳腺专用CT已显示出比常规CT更高的发展潜力,原因在于乳腺专用CT的辐射剂量比常规CT更低,且乳腺专用CT在乳腺疾病的早期诊断中更具潜在价值。低剂量成像和双能分解算法是其中的关键技术,论文围绕乳腺专用CT的成像问题,开展了基于稀疏采样模式的低剂量重建、双能信息分解及降噪算法的研究工作。论文特色及创新性如下:为了实现LDCT重建,提出了平滑的l0范数约束字典学习（SLO-DL）方法。SL0-DL在每次迭代时将平滑的l0范数正则化引入公式化的目标函数中,并使用仿真的CT数据、山羊和小鼠的真实的CT数据对算法性能进行了评估。SL0-DL算法应用于头模型数据时的峰值信噪比（PSNR）、结构相似性指数（SSIM）和归一化平均绝对偏差（NMAD）的平均值分别为442、0.9920和0.7652。实验结果表明,所提出的SL0-DL算法对于欠采样噪声数据的重建是有效的,并且在伪影抑制和纹理细节保存方面优于常规字典学习（DL）,BB投影算法和全变分算法等对比算法。更进一步,通过将联合代数重建技术（SART）合并到优化问题中,并将字典块替换为一组非局部相似图形快,以形成混合优化方法（HOM）用于DECT材料分解,进一步改进了基于SL0-DL算法。利用了模拟的DECT乳腺数据集评估了提出的HOM算法。HOM算法在模拟低剂量数据集中的PSNR,SSIM和均方根误差（RMSE）的估计均值分别为49.0、0.9968和0.0028,而信噪比（SNR）和归一化绝对值正常乳腺组织分解的误差（NAE）分别为22.0和0.0547。结果表明,与其它对比算法相比,该方法能够通过DECT技术从健康的乳腺组织中分离出微钙化。最后,采用Meta分析方法比较了锥束乳腺计算机断层扫描（CBBCT）和数字乳腺断层成像（DBT）对乳腺癌进行诊断和重建的准确性。在乳腺模体和真实乳腺数据集上实现了测试。DBT的 PSNR,SSIM和NAE分别为31.6、0.9353和0.1273,而CBBCT的分别为29.7、0.9136 和0.1273。实验结果表明,对于所有测试算法,通过DBT扫描实现的重建图像比CBBCT重建图像具有更高的量化指标,并且能够揭示更多的乳腺病变。同样,在95%的置信区间对于DBT,混合灵敏度、特异性和AUC参数分别为86%,91%和0.9371,而对于CBBCT上述参数评估为89%,62%和0.8634。Meta分析结果进一步支持了先前的实验结论,显示出DBT比CBBCT更高的诊断性能。综上所述,基于上述的实验分析,提出的新算法及其改进算法显示出在LDCT和DECT图像降噪方面的有效性。同时基于当前有限的临床数据集,DBT对CBBCT的具有更高诊断性能则需要更深次的临床实验及验证。