X射线计算机断层成像(Computed Tomography,CT)技术作为一种检测手段,因其具有成像清晰、检测时间短以及检测成本较低等优点,使其在临床疾病筛查、检测以及病情追踪等方面的应用越来越广泛。但随着CT检测数量的增加,过量辐射带来的疾病问题越来越受到重视。目前,临床上通常采取的降低剂量手段是降低管电流,此时探测器接收光子数下降,使得解析重建得到的CT图像充满斑点噪声和条形伪影,进而干扰医师对病情的诊断与分析。因此,如何在降低CT辐射剂量的同时,保证CT的成像质量是低剂量CT研究领域的一个重要研究课题。为解决低管电流情景下CT图像质量下降的问题,本文结合稀疏表示领域的知识,通过图像后处理法和统计迭代重建法实现低剂量CT图像的成像质量的提高。具体内容涵盖以下几个方面:(1)利用学习型稀疏变换对信息的稀疏表示能力,并结合图像分解理论,提出了一种基于学习型稀疏变换的低剂量CT图像后处理方法,通过学习型稀疏变换对特定信息的稀疏表达,实现低剂量CT图像组织结构信息与噪声、伪影信息的分离,从而达到去除噪声与伪影的目的,最后实现低剂量CT成像效果的提升。本文采用两个不同的学习型稀疏变换,其中一个稀疏变换涵盖较多扫描对象的组织结构信息,另一个稀疏变换则尽可能的涵盖较多噪声伪影结构信息,以此来提升学习型稀疏变换对图像各类信息的表达能力,经实验证明所提算法的有效性。(2)经先验图像压缩感知重建与区别性特征表示模型的启发,提出了区别性稀疏变换迭代重建算法。该算法构建两个区别性约束项,全局约束项用于约束待重建的投影数据与真实投影数据一致,先验信息约束项则是约束待重建图像接近先验图像。本文将基于第三章所提的学习型稀疏变换图像后处理得到的低剂量CT图像作为先验信息加入到先验信息约束项中。相对只利用学习稀疏变换构建出的全局约束,区别性稀疏变换约束项可以有效引入先验图像,重建出更好的图像效果。除此之外,利用第三章的算法构建的先验图像,回避了经典先验图像压缩感知重建和区别性特征表示模型对先验图像的依赖,避免了因先验图像来源差异所造成的重建图像的配准匹配问题。