计算机断层成像(Computed Tomography,CT)作为最先进的透视成像技术之一,近年来广泛用于医学检查和工业无损检测等领域。为了降低辐射剂量和提高扫描效率,利用不完全角度投影进行重建,已成为CT成像领域研究的热点。基于近似分片常数图像先验假设的总变分(Total Variation,TV)正则化图像重建方法,可以有效克服不完全角度重建中伪影和噪声的影响,却易造成细节过渡平滑和阶梯效应等问题。针对该问题,新提出的总广义变分(Total Generalized Variation,TGV)模型能够有效地逼近任意阶的多项式函数,保持更好的图像分段连续的细节信息,在图像处理领域已取得初步应用。本文对基于TGV正则化的锥束CT重建模型求解策略进行了探索。首先是针对迭代重建中投影模型进行研究,设计针对距离驱动模型的正/反投影并行算法。其次是针对TGV正则化项,设计基于广义TV最小化的重建算法。最后设计基于GPU机群的加速平台,进一步提高重建算法的计算效率。主要研究工作如下:1、提出了一种基于三维距离驱动模型的快速正/反投影并行算法。现有距离驱动投影模型具有精度较优的优势,然而该模型投影点遍历结构不适合直接进行并行计算的开发。针对该问题,本文设计了一种基于遍历贡献探元的三维距离驱动快速正/反投影并行算法。该方法基于探元、图像层、层间三级并行结构,通过遍历贡献探元区域实现了模型匹配且具有良好并行特性的正/反投影计算结构。仿真数据和真实数据实验证明:该算法能够获得相比与串行算法约170倍的加速比,且相比于近似模型不匹配的并行算法,能够保持原有距离驱动模型的高精度,获得较高的重建质量。2、提出了一种基于广义TV正则化的锥束CT迭代重建算法——广义TV交替方向最小化(TGV-ADM,Total Generalized Variation Alternating-Direction Minimization)重建算法。本算法基于稀疏图像重建理论,构建广义TV最小化重建模型。在增广lagrange函数法的框架下,通过引入辅助变量,将模型中TGV正则化项转变为三个独立变量的优化问题,利用交替方向法将其分解为一系列具有解析解的子问题。在TGV正则化项子问题中,可利用FFT技术对差分矩阵计算过程进行高效实现;在图像f子问题中,针对求伪逆过程计算开销过大的问题,利用线性化和近似点技术,使其可通过FFT在频域中实现解析解的快速计算,从而大幅降低了算法复杂度。经过仿真数据和实际数据重建的验证,该算法在三维锥束CT重建中,重建速度与主流的TV重建算法相当,且其重建结果能够明显改善TV重建所出现的阶梯效应和细节平滑现象。3、提出了一种基于图形处理单元(Graphics Processing Unit,GPU)机群的迭代重建算法加速方法。针对迭代型重建算法对计算资源需求庞大的问题,基于多GPU和机群技术的融合,设计相对应的加速方法。该方法针对迭代重建算法的数据和任务特点,通过设计合理的数据划分和数据通信策略以及GPU内部优化策略,实现重建算法的加速。实验结果表明:该方法在获得与单一计算机相同重建质量的同时,提高了迭代重建算法的速度。随着计算节点数量的增加,重建算法的加速比明显提升。