计算机断层成像（Computed Tomography,CT）利用X射线的穿透性以非侵入和无开放性损伤的方式对人体进行扫描,依靠探测器采集投影数据,并重建出人体内部解剖图像。然而,X射线在穿过人体时,X光子与体内原子发生相互作用会对人体造成电离辐射损伤。因此,在获取满足临床需求的影像质量的前提下,最大程度地降低CT辐射剂量,是相关领域研究人员长期努力的目标。在临床中,采用低毫安秒（Low-mAs）扫描模式是降低CT辐射剂量的有效方式。然而,当mAs降低时,所采集信号易受到测量噪声的污染,进而导致重建图像出现噪声和伪影。许多先进的算法被提出用于解决低剂量CT重建问题。值得关注的是Mayo Clinic等机构于2016年联合举行的低剂量CT挑战赛。在该挑战赛中,结合深度学习技术的低剂量CT重建算法在重建效果和计算效率方面表现出优于传统迭代重建算法的趋势,标志着低剂量CT成像的研究进入了智能成像新阶段。然而,当剂量降低至超低剂量水平时,如5～10mAs,图像重建受到光子饥饿效应与测量噪声的影响,对当前基于深度学习的低剂量CT重建方法亦提出了挑战。另一方面,稀疏角度（Sparse-view CT,SCT）则是实现超低剂量扫描最具潜力的扫描协议之一。然而,SCT随着投影数据采样减少,其重建将不再满足香农采样定律,所重建图像会出现严重伪影。尽管许多SCT算法已被提出,但是这些工作主要考虑的是圆周扫描轨迹的稀疏角度成像,缺少螺旋扫描轨迹的稀疏角度（Sparse-view Helical CT,SHCT）成像的研究。针对上述超低剂量CT成像和SHCT成像的关键问题,本文开展了以下研究:（1）为了解决Low-mAs扫描协议下的超低剂量CT图像重建问题,本文提出了残差-伪影迭代学习模型（Iterative Residual-artifact Learning Convolutional Neural Network,IRLNet）。IRLNet模型利用残差学习与小波方法将复杂的伪影与正常解剖结构分开,再通过图像迭代的方式去除图像中的伪影与噪声。结果表明,IRLNet可以有效地抑制超低剂量CT图像的噪声和伪影。此外,本研究还提出基于IRLNet先验的低剂量CT迭代重建模型,进一步提高超低剂量CT重建的性能。（2）然而,IRLNet模型仅考虑图像域学习,而忽略了测量投影数据的约束,其性能会受到限制。为了解决IRLNet模型局限性,进一步提出排序反投影张量学习框架（Sorting View-by-view Backprojection Tensor Learning Network,SVBT-Net）。SVBT-Net可自适应处理信息无压缩的反投影张量,能够避免在滤波反投影算法中求和步引起的信息压缩。结果表明,SVBT-Net的重建性能要优于投影域、图像域以及投影-图像混合学习框架。（3）针对超低剂量SHCT重建问题,本文分析了 SHCT图像的三维解剖结构稀疏特性,由此提出基于张量分解和各向异性全变分正则化（Tensor Decomposition and Anisotropic Total Variation Regularization Model,TDATV）的SHCT重建模型。结果表明,采用TDATV重建模型可使SHCT成为实现超低剂量螺旋CT扫描的潜在解决方案。