计算机断层成像技术（Computed Tomography,CT）作为现代临床广泛应用的医学成像技术,能够在无创情况下提供高分辨率的组织断层图像。然而,CT成像中所使用的X射线具有辐射性,过高的辐射剂量会极大增加患者的致癌风险。螺旋CT扫描是一种广泛应用的投影数据采集方式。相较于轴向扫描模式,螺旋CT扫描具有扫描覆盖面积大,扫描时间短,z轴分辨率高等优点。同时,螺旋CT的大区域、快速扫描也大幅提升了射线辐射剂量。因此,低剂量螺旋CT成像算法的研究成为当前的研究热点,出现了许多优秀的基于传统方法和深度学习的相关技术。然而现有的针对低剂量螺旋CT成像算法依然存在一些缺陷,其一:对于图像域恢复网络,恢复模型单纯地考虑CT图像去噪,忽略投影数据的恢复;其二:对于投影域网络或图像-投影混合域网络,虽然考虑了投影域恢复,但是仅考虑单一剂量下的恢复,却忽略了自动曝光控制技术造成的每个角度的投影数据剂量水平分布不均问题。基于上述问题,本文拟针对螺旋CT投影数据特性,结合具体的螺旋CT重建算法,开展低剂量螺旋CT成像策略的研究,主要包括不同剂量水平下螺旋CT投影数据的稳定恢复,螺旋CT反投影张量的构建以及深度学习网络在螺旋CT反投影张量域的应用。具体展开来讲,本文工作分为以下两部分:（1）针对当前螺旋CT使用自动曝光控制技术会造成每个投影数据剂量分布不均的问题,研究提出了一种基于投影噪声水平估计的低剂量螺旋CT恢复框架。该框架由投影噪声水平图估计、投影数据恢复、重建图像加权模块构成。通过实验验证,所提出的基于投影噪声水平估计的低剂量螺旋CT成像框架可以实现任意低剂量水平下螺旋CT成像,在噪声伪影抑制、结构细节和分辨率保持方面都具有优秀的性能。（2）为避免图像域、投影域、图像-投影混合域方法的缺陷,本文提出了一种新的基于深度学习的螺旋CT重建框架。通过对螺旋CT重建算法的解析,本文提取出螺旋CT反投影张量数据（Helical CT Back-projection Tensors,HBP-Tensors）,并建立四维螺旋CT反投影张量域的深度学习重建模型。对比实验发现当采用相同深度学习网络结构时,本文所提出的重建框架结果在图像表征及定量指标上的表现优于图像域低剂量螺旋CT恢复模型。特别的,以通道方向排序后的反投影张量数据作为重建模型输入的结果,其效果最优,定性和定量指标均优于现存的低剂量螺旋CT恢复模型结果。