计算机断层成像技术（Computed Tomography,CT）在医学成像中的应用十分广泛。但是扫描过程中射线对人体的辐射给病人带来了潜在的致病危险,因此低剂量CT已经成为当前研究热点。实现低剂量扫描有两种策略:一是在每个角度下采集投影时降低管电流强度,二是以稀疏采集的方式减少投影个数。策略二对应的重建方法就是CT稀疏重建。但是,如果使用传统的解析法,如滤波反投影算法,稀疏重建后的图像当中包含严重的条状伪影,这样就会严重影响医生的疾病判读。基于压缩感知的迭代法,因为可以将图像的先验信息建模进最优化模型,可以有效压制条状伪影,但其重建速度过慢,制约了迭代重建法的广泛应用。深度学习稀疏重建方法有望实现高速高精度稀疏重建,其包含两种基于图像处理策略的方法。一种是用深度学习对解析法重建出来的含条状伪影的图像进行去伪影处理;另一种是用深度学习对稀疏采集构成的投影正弦图进行智能插值处理,而后使用解析法重建。本文研究第二种方法。主要工作如下:（1）受经典的DnCNN网络的启发,提出了一种感受野递减的密集型DnCNN网络结构（Decresing receptive field density,DFD-DnCNN）,实现了学习型的正弦图智能插值,进而实现了高精度稀疏重建。（2）为了解决感受野递减的密集型DnCNN网络结构的网络过大、训练过慢的问题,进一步提出了一种轻量级的、三通道并行卷积网络。实验结果表明,基于本网络的稀疏重建方法不仅比基于传统插值方法的稀疏重建精度高,而且也优于感受野递减的密集型DnCNN方法。（3）在算法研究的基础上,设计了基于正弦图智能插值的CT稀疏重建系统,该系统分为五个模块:稀疏投影构建模块、传统插值模块、智能插值模块、图像重建模块以及图像质量评估模块。本文通过以上对CT稀疏重建的具体研究,找到了在少数投影个数下重建出高精度图像的新方法,从而减少了CT辐射,从根本上解决了CT诊断对患者的危害。