本文提出并实现了一个具有高度灵活性、可并行化的三维CT重建框架。本框架基于目前在机器学习、信号处理领域比较流行的proximal算法。在CT三维重建领域,虽然迭代型算法重建质量远高于分析型算法得到的结果,但由于分析型算法有计算量小、重建速度快等特点,目前部署在医学重建中的软件,仍旧为以FDK为代表的分析型算法。最近十年来,随着超级计算机、分布式并行计算等技术快速发展,计算量的大小等计算因素在CT重建领域已经不是最主要的制约因素,迭代型算法由于其优越的重建质量而逐渐成为了CT重建领域的研究热点。在此背景下,本论文在对CT领域以FDK为代表的解析型重建算法,以及以ART为代表的迭代型重建算法进行详细对比的基础上,给出各自的优缺点。根据光线投射顺序以及方式的不同,几乎每一种迭代型算法都可以分为基于射线的(ray-based)投射方法以及基于体素的(voxel-based)投射方法。本文以ART(包括SART)为例,详细分析了迭代型算法中两种不同的投射方式在实际应用中常见的不完全投影、不完全投影加上高斯噪音、不完全投影加上投影下采样等输入条件下的重建结果与比较。为以后在实际应用中,根据应用中的实际输入数据,选择相应投射方式的迭代型算法进行高效重建。Proximal算法由proximal算子构成,本文重点介绍了以ADMM方法为代表的proximal算法的诸多优点,以及在CT领域应用的前景。在对ART算法充分研究的基础上,本文给出了迭代型算法ART的proximal算子,并且在不加入正则化的情形下,分析了ART proximal算子与ART重建方法之间的区别与联系,并用实验进行了对比、验证。此外,本文给出了目前在图像重建、去噪方面高效的各向异性总变差(ATV)与同向异性总变差(ATV)正则化项,以及较为新颖的SAD正则化项,并给出各正则化项在二维、三维重建中的重建效果对比。为了验证本论文所实现的proximal算法框架的有效性,本文还将本框架与目前在CT三维重建领域主流的RTK框架进行对比,分别对比了RTK中的FDK,本框架中的ART,RTK中ADMM方法(CG作为数据项求解器,ATV作为正则化项),以及本框架中ADMM方法(ART proximal算子作为数据项求解器,ATV,ITV,以及SAD分别作为正则化项)在改变输入投影图像数量以及改变高斯噪声大小等情形下的算法表现。为增加实验结果可信度,我们分别将仿真数据以及真实CT扫描数据作为框架输入,并给出了实验的详细参数。对比实验结果表明,本文所提proximal框架在三维CT不完全投影重建中比主流框架可以得到更高质量的重建结果,证明了本框架的高效性、灵活性、鲁棒性。