移动式小型加速器中子CT具有成本低、安全性高和部署灵活等优势,是未来发展的重要方向。但是,移动式小型加速器中子源源强相对较低,对中子CT重建算法提出了更高的要求。本研究针对不同应用场景对中子CT重建算法的差异化需求,开展了基于稀疏采样的中子CT高分辨率图像重建算法研究。主要研究内容、结果和创新之处如下:针对简单结构样品检测,提出一种自适应正则化的期望最大化重建(AREM)算法。该算法通过在重建过程中引入中子统计噪声模型,以抑制统计噪声对重建结果的影响;根据梯度图像稀疏性和图像局部单调的先验知识提出一种混合正则化方法对重建过程进行约束,较好地消除噪声和减少投影次数;并采用一致性步长约束的最速下降法和TV变化法实现算法的自适应迭代。通过测试表明,在稀疏采样和不同统计噪声水平情况下,AREM算法对简单结构样品具有更好的抗噪性能和更优的重建图像质量。针对复杂结构样品检测,在AREM算法的基础上,提出一种自适应正则化的混合滤波反投影算子的迭代重建(ARIFBP)算法以提高重建图像分辨率。ARIFBP算法采用一种滤波反投影算子结合联合迭代框架替代AREM算法中的统计迭代框架,从而解决基于TV正则化的重建算法中图像细节保真度不高的问题。在稀疏采样情况下测试表明,对于复杂结构样品,ARIFBP算法具有更好的细节分辨能力和更优的重建图像质量。最后,通过Pb-CH2模型和辐照燃料组件模型的中子CT仿真数据,以及钟模型的中子CT实验数据对提出的算法进行综合测试。对于简单结构Pb-CH2模型,AREM算法重建质量优于ARIFBP和其它算法,并且25次投影的重建结果优于803次投影的FBP算法,更适合简单结构样品的重建。在稀疏采样情况下,ARIFBP算法的细节分辨能力优于AREM和其它算法,可清晰分辨辐照燃料组件模型中预设细微结构异常,更适合复杂结构样品的重建。对于复杂结构钟模型,基于稀疏采样的中子CT实验数据,ARIFBP和AREM算法都能够取得好的重建效果;且ARIFBP算法比AREM算法实现了更高分辨率的图像重建,更适合对钟模型进行重建。这些测试证明提出的两种算法具备高的实用价值。