近年来,X射线计算机断层扫描（Computed Tomography,CT）技术普遍运用于医学检查领域,尤其是在放射诊断方向。然而,CT扫描使患者暴露于辐射中,有可能导致代谢异常、诱发癌症和其他遗传性疾病等问题。因此,低剂量CT成像是CT发展的一个重要方向。针对CT成像过程中X射线剂量降低导致CT图像质量下降的问题,本文对统计迭代重建进行了研究,主要研究工作如下:（1）针对高斯马尔可夫随机场（MRF）正则化方法容易造成图像边缘模糊和全变分（TV）正则化方法容易在噪声多的区域产生阶梯效应等问题,提出了一种基于分区域处理的联合先验低剂量CT统计迭代重建算法。该算法首先对重建过程中的图像进行区域划分,具体为对图像进行中值滤波并计算滤波图像的梯度,再根据梯度划分出图像的边缘区域和平坦区域,然后分别利用TV和高斯MRF正则化对不同的区域进行惩罚,再将这两种正则项作为联合先验应用到惩罚加权最小二乘重建算法中,最后使用超松弛迭代算法（SOR）对目标函数进行求解。经过实验可以证明,所提算法在去噪和维持边沿方面有显而易见的优势。（2）针对基于传统字典重建方法中整个CT图像被用于训练字典且将学习到的字典用于所有块的稀疏表示,使得图像中的平滑区域和边缘区域具有相同的平滑效果,导致边缘信息丢失等问题,提出了一种基于图像块分类字典学习的低剂量CT迭代重建算法,将不同类别的字典学习作为正则项应用到惩罚加权最小二乘重建算法中。该算法先将目标图像分块,并对图像块求方差,然后根据方差把图像块分为两大类,即平滑块和细节块,再利用梯度指向角将细节块分成0°、45°、90°和135°的边缘块和无规律的图像块,之后,采用K-SVD算法和OMP算法分别对不同种类的图像块训练以得到不同种类的字典和稀疏系数,最后使用具有有序子集的松弛线性增广拉格朗日方法对目标函数求解。通过对模拟数据和临床数据进行实验,与其他重建方法相比,所提算法不仅具有很强的去噪能力,而且能在重建图像中清晰地看到图像的边缘。