随着CT成像技术在医学领域中的应用越发广泛,其带来的过量辐射问题成为人们关注的焦点。众所周知,过度的X射线穿过人体,会给人的健康带来损害。因此,低剂量的CT成像成为了当前的发展趋势。低剂量CT成像可以通过两种方式实现:降低电流强度(低电流),减少投影次数(稀疏采样)。当辐射电流强度减低的时候,其投影数据中携带的噪声就越多,会严重影响到最终重建出的CT图像质量;当投影次数减少的时候,由于采样过少,经典的重建方法的结果会产生严重的欠采样条纹。这两种情况都会严重影响CT图像质量。传统解决低电流带来的问题是对投影进行降噪处理。但是由于算法复杂,计算量高,传统的降噪方法无法在实际中得到应用,同时也无法解决稀疏采样带来的条纹问题;而对稀疏采样情况带来的问题,目前主流的方法是使用基于压缩感知理论的迭代重建方法,但这种方法通常计算缓慢,同时也无法解决投影中携带噪声的问题。为解决CT图像的投影降噪和迭代重建中遇到的问题,本文以图像质量为切入点,对CT图像质量、扫描剂量以及重建算法之间的关系进行了深入研究,并且针对低剂量CT的应用,提出了并行化的降噪和迭代重建算法。1)基于拓扑独立分量分析,提出了一种无参考CT图像质量评价算法。本文通过对CT图像进行拓扑独立分量分析,提取了与内在质量相关的特征信息,进而对比特征分布的偏差,实现了质量损失的度量。在实验中,搭建了两个用于CT图像质量研究的数据库,进一步对CT图像质量、扫描剂量以及重建算法之间的关系进行了研究并得出结论。2)基于图像相对质量评价,设计了 一种参数自适应寻优的并行化降噪算法。通过对CT噪声模型的分析,推导出可并行化的迭代算子,提高了算法的计算效率,并根据图像质量评价方法,实现了降噪算法参数的自适应寻优。在实验中,对该算法的性能和效率与其他经典算法进行了对比和总结。与传统的降噪算法相比较,本文算法性能得到了最少16%的提升,计算效率明显提高。3)基于图像质量评价的结果,提出了一种基于TV(Total Variation)最小化的迭代重建算法框架。该算法在迭代过程中,对每次迭代结果使用图像质量作为收敛判定,加快迭代重建的收敛速度。实验结果表明,本文提出的算法在性能和效率上均得到了一定提升,同时对于低剂量CT的适应性和鲁棒性上明显提高。