医学CT扫描是医学领域常用的诊断方式之一,低剂量CT图像可以减少X射线的辐射剂量,降低CT检查对人体的伤害,但低剂量CT图像的数据存在欠完备和低信噪比的问题,导致CT图像存在模糊和伪影,使得复原重建后效果受到较大影响,造成医生对病理信息的误判和误诊。因此,如何利用最少的辐射剂量来获得最高质量的低剂量医学CT图像,成为目前医学图像复原领域的研究热点之一。降低X射线的辐射剂量一般通过减少投影视角、降低管电流等手段实现。因此,本文针对少视角的欠完备投影数据、低管电流下的低信噪比投影数据、同时欠完备低信噪比投影数据的复原问题开展深入研究,取得以下创新性的研究成果:（1）提出了基于稀疏贝叶斯的少视角CT图像盲复原算法。根据扇形束投影数据的特点,针对减少投影视角数目导致投影数据欠完备问题,将稀疏贝叶斯与K-SVD及字典学习方法结合,提出了基于块稀疏贝叶斯的K-SVD盲复原算法和基于稀疏贝叶斯字典学习的盲复原算法。前者通过使用全剂量CT数据进行学习,并利用块稀疏贝叶斯的特性对块内信息进行优化,减少K-SVD算法对块内结构受限问题,提高了算法的有效性;后者充分利用字典学习的过完备信息进行学习,获得最优稀疏表示,通过迭代求解稀疏系数复原图像,提高CT图像重建质量。两种方法均通过Shepp-Logan实验、临床人体头部CT图像实验和临床人体肺部CT图像实验共同验证,在少视角情况下可以获得比较理想的有临床应用价值的盲复原图像。（2）提出了基于马尔可夫随机场（Markov Random Field,MRF）的低管电流CT图像去噪算法。由于低管电流下的投影数据信噪比大幅降低,本文从去除噪声的角度,依据噪声的统计特征,提出基于离散剪切波的隐马尔可夫模型（HMM）复原算法和基于离散剪切波的MAP-MRF低剂量CT图像复原算法。两种方法均利用离散剪切波捕捉尺度内、尺度间,以及交叉方向系数的相关性,实现更稀疏表示;在隐马尔可夫模型和马尔可夫随机场方面,前者利用隐马尔可夫建模求解,使复原结果在噪声消除和边缘保持上达到有效的平衡,后者基于MAP-MRF的交替最小化框架优化求解,在去除噪声和去伪影方面均有较好的效果,且图像边缘和CT图像纹理特征得到了较好的保持。两种方法的有效性均得到Shepp-Logan实验、真实临床人体脑部和低剂量人体肩部图像的实验验证。（3）提出了基于贝叶斯-RNAMBO（Ribonucleic Acid Monarch Butterfly Optimization,RNAMBO）的低剂量CT盲复原算法。针对同时减少投影视角和降低管电流造成投影数据进一步恶化为欠完备且低信噪比的问题,提出基于SBL-RNAMBO的低剂量CT图像盲复原算法和基于VB-RNAMBO的低剂量CT图像盲复原算法。分别利用稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）和变分贝叶斯（Variational Bayesian,VB）方法与RNAMBO算法相结合,优化后验概率模型及求解超参数,解决含噪图像的去噪和去伪影问题。前者引入稀疏贝叶斯学习模型,建立目标函数,结合统计迭代方法加入惩罚项约束解空间。后者引入变分贝叶斯方法结合最大后验估计进行图像盲复原的统计迭代。最后通过Shepp-Logan模型、临床人体盆腔和人体肺部实验进行欠完备且低信噪比投影数据盲复原效果的实验分析,验证了两种基于贝叶斯模型盲复原算法的有效性。