显微CT (Micro Computed Tomography, Micro CT)因其高分辨率、非侵入性和成像速度快等优势,在临床动物模型实验、科研微观结构研究中得到了广泛的应用。按照显微CT的成像原理,其高分辨与射线源小焦点、探测器的积分时间之间一直存在矛盾的关系。为保证图像质量,显微CT往往需要较长的拍摄时间和较高X射线照射剂量,这样对活体生物样本有不良影响,降低X射线剂量则会影响重建图像质量,因此CT的低剂量问题一直得到了广泛的关注。CT剂量的降低主要通过单幅投影剂量的降低或投影总数量的减少两种方式来实现,这两种方式均存在有效信息的部分缺失,因而会引起CT重建图像噪声模型的改变、重建结果信噪比的降低和各类伪影(如环状伪影、低剂量伪影以及硬化伪影等)的产生。采用基于压缩感知的方法,利用图像信号的稀疏性,可通过更少的信息对图像信号进行复原,因而非常适用于解决CT低剂量所带来的信息缺失问题。字典学习作为压缩感知理论的一个方向,具有对图像信号结构信息敏感的特点,可对图像信号进行良好的稀疏分解。本文以字典学习为基础,选择图像信噪比提高、稀疏角CT图像迭代重建及低剂量重建图像伪影滤除等三个问题,对CT低剂量所引起的图像质量问题进行了研究。在图像信噪比提高的研究工作中,字典作为降噪工具用于改善图像质量。经由噪声图像学习后的字典可获得更好的降噪效果,但是每幅图像都进行学习会耗费大量的时间。为此本文利用高剂量重建图像作为学习样本构建全局字典,在保证降噪效果的同时,节省了单幅噪声图像字典学习的时间,有效地提高了算法的效率。实际数据实验结果表明,本文算法与主流降噪算法相比,在降噪的同时,能够更好的保留图像细节。在稀疏角重建的研究工作中,基于图像信号可以被稀疏表达的先验信息下,本文将字典作为约束项引入迭代过程中,在迭代过程中对图像进行稀疏分解,有效地减少了方程数量。同时由于字典本身具备的降噪能力,在基于字典学习的迭代算法进行稀疏角重建时,可以在抑制稀疏角放射状伪影的同时,有着更好的抗噪效果。稀疏角实验的结果也证明了本文算法的有效性。针对低剂量所引入的多种伪影,本文着力解决环状伪影以及低剂量条纹状伪影。环状伪影在轴向位断层平面的结构与物体自身结构相似,仅仅基于平面的滤波很容易出现图像有效信息的丢失,因此本文考虑了环状伪影在空间结构上的不连续性,利用基于三维字典的滤波方案去除；针对低剂量条纹伪影结构特征相对较为单一的特点,本文通过构建结构字典和伪影字典的双字典组合,有针对性地进行稀疏表达,在图像重构阶段滤除低剂量条纹伪影。实验结果表明,基于字典的伪影滤除算法滤除伪影的同时,能够更好的保留图像细节,并且不会引入新的伪影。最后,考虑到迭代算法及字典相关算法计算的高复杂度,因此均基于GPU平台对其进行了并行化加速,以满足应用的需求。