X-射线计算机断层扫描(Computed Tomography,CT)技术由于其空间分辨率高、扫描时间短和成本低等优点而被广泛用于临床诊断。但是,CT扫描产生的高剂量电离辐射已被证明与白血病、肿瘤、遗传等疾病存在正相关性,尤其对妇女、儿童等敏感人群影响较大。低剂量CT(Low-Dose Computed Tomography,LDCT)技术能够有效减少X-射线对患者的电离辐射伤害。但降低辐射剂量会导致成像质量下降,增加了图像分析的难度,影响临床诊断的准确性。近年来,基于低秩约束的图像局部结构建模方法已成为低层图像处理领域的研究热点,并在图像噪声抑制处理中获得了广泛应用。其中,核范数最小化(Nuclear Norm Minimization,NNM)方法通过对目标矩阵的奇异值进行约束,从而将传统非凸低秩约束转换成易于求解的凸范数优化问题,取得了较好效果。但是该方法对目标矩阵所有奇异值采用同等强度约束,无法描述低剂量CT图像中非平稳噪声特性。鉴于此,本文针对低剂量CT图像中的噪声问题,结合低剂量CT图像非平稳噪声特点,开展基于区域内容感知低秩建模的低剂量CT图像噪声抑制研究。本文的创新点如下:(1)提出一种具有区域内容感知能力的加权核范数最小化低剂量CT图像去噪算法(Regional-content-aware Weighted Nuclear Norm Minimization,rwNNM)。该算法在传统NNM模型基础上,根据低剂量CT图像局部噪声强度以及不同奇异值水平自适应设置核范数权重,从而有效提高核范数的局部信息表达能力,进而提高去噪后图像纹理细节保持能力。其中,为估计低剂量CT图像局部噪声,本文结合核范数优化方法,通过利用矩阵奇异值分解(Singular Value Decomposition,SVD)与主成分分析(Principle Components Analysis,PCA)的关系,提出一种改进的噪声估计方法,极大提高了计算效率。此外,针对NNM模型中的块匹配操作,本文在低剂量CT图像局部噪声估计基础上,采用一种新的基于局部统计特性的相似图像块搜索策略,从而提高了图像块匹配操作的准确性。(2)提出一种基于区域内容感知的低秩模型和稀疏变换学习模型混合约束的低剂量CT图像去噪算法(REgional-content-aware Low-Rank and Sparsifying Transform Learning model,reLRSTL)。该算法将rwNNM模型和稀疏变换学习模型相结合,充分利用低剂量CT图像中的非局部区域的结构相关性以及局部区域的结构变换稀疏性,从而实现更具模型表达力的低剂量CT图像局部结构建模。针对所建模型,本文设计了一种迭代交替优化方法,通过交替优化区域内容感知低秩近似、变换学习以及图像更新,实现了低剂量CT的噪声抑制。此外,上述迭代优化方法中,每个优化步骤均给出了闭解方程,极大提高了算法的求解精度。