从稀疏投影数据中精确重建锥形束断层扫描（CBCT）图像是当下研究领域的一个热点话题。随着压缩感知理论（CS）的快速发展,其在锥形束断层扫描稀疏重建中得到了广泛的应用。CBCT图像由大量非零元素组成,导致其本身不具有稀疏特性,因此基于全变分变换的方法被广泛应用于CBCT图像稀疏重建。近些年来,大量基于全变分正则化模型被广泛应用于从稀疏投影数据中重建CBCT图像。然而,全变分极小化方法假设目标图像由分段常数区域组成。因此,全变分极小化过程通过对图像梯度恒定加权的方式导致图像边缘信息过平滑。理论上,高阶全变分在边缘信息保护方面具有很好的优势。然而,高阶全变分极小化过程中偶尔会引起边缘结构模糊。为了解决以上问题,在第一部分内容中,我们提出了联合一阶与高阶全变分CBCT重建算法,该算法不仅保留了一阶全变分的惩罚强度,还继承了高阶全变分的分段消失特性优势。我们通过仿真模体和真实投影数据的重建实验来验证算法的有效性,相较于传统FDK和TV算法,提出算法均取得了较好的图像重建质量和边缘重建精度。一阶全变分方法以恒定速率对图像梯度进行加权,而忽略了图像具有不同量级的梯度差异特性,因此不能够从低剂量的投影数据中恢复出合格的CBCT图像。针对上述缺点,在第二部分内容中,我们提出了一个新的策略,其通过结合传统一阶全变分和梯度全变分,完成了全变分范数预先被梯度全变分加权惩罚处理,实现了混合加权惩罚策略方式,最终实现了CBCT重建过程中的非均匀加权惩罚图像梯度。新提出的方法不仅保留了传统一阶全变分的惩罚强度优势,包括伪影抑制和噪声抑制,而且维持了目标图像梯度强度逐渐过度区域的结构信息。我们通过2个物体的欠采样投影和2个实验（2个数字幻影）对所提方法进行了测试。新提出的算法在每个实验中都以最小均方根误差值（RMSEs）和最高的相关系数值（CCs）和结构相似度值（SSIMs）生成重构图像。传统一阶全变分只考虑了i,j,k三个方向上的梯度信息来重建图像。因此,在第三份研究任务中,提出一个新的多角度全变分极小化CBCT重建模型,通过额外使用ij,ik,jk三个通道的梯度信息共同来重建CBCT图像,比传统的全变分多了九种不同的先验信息。通过对4个物体和4个实验（2个数字仿真模体数据集、1个患者头部数据集和1个真实物理模体数据集）的欠采样投影数据,对新提出方法进行了性能评价。与传统FDK方法、OS-SART方法和传统TV方法相比,该方法在图像细节和重建精度方面都得到了显著提升。综上所述,该方法在提高CBCT图像重建质量和精度方面具有很大的潜力。