近年来，锥束CT（Cone-beam CT）由于采集速度快、图像各向同性好等特点，在微结构成像中发挥了重要作用。锥束CT在微结构成像关键在于微结构边缘的成像质量，其空间分辨率易受模糊效应的影响，包括软组织-空腔边缘模糊，高对比度钙化结构模糊。因此锥束CT的模糊效应成为微结构成像领域亟待解决的关键问题。锥束CT的模糊效应主要来自于有限尺寸的X射线光源、平板探测器的分辨率和闪烁体的光子扩散效应等物理因素。由于上述因素的复杂性，投影域去模糊算法难以完整而准确的模拟出整个系统的模糊效应，所构建出的模型较为复杂，不易求解。与之相比，图像域去模糊算法数学模型简洁，并且卷积核容易由诸如实验直接测量法、模型估计的方法得到。对于三维重建，图像域去模糊方法进行三维卷积，计算复杂度较高，并且此类方法属于图像后处理方法，处理前需要先进行三维CT重建，难以直接并入到数据采集流程中。　　针对投影域和图像域的上述问题，本文提出了一种基于线积分的锥束CT去模糊方法，在线积分域进行反卷积，提升CT图像空间分辨率。本文首先对原始投影施行对数变换得到线积分数据;然后在线积分域建立基于系统点扩散函数的反卷积模型，包括保证数据完整性条件的数据保真项和控制噪声强度的正则化项，卷积核来自成像系统点扩散函数，并使用旋转对称的单参数高斯函数作为模型;最后使用反卷积处理后的线积分数据进行三维解析重建得到高分辨CT图像。本文方法本质上等价于图像域去模糊，实际上是对线积分图像施行的是二维反卷积，因此本方法在计算效率上具有优势，并且由于该模型建立在线积分域，易于加入到数据采集流程，直接得到恢复后的数据。图像反卷积问题通常由于图像生成的大型矩阵而带来庞大的计算量，常规凸优化算法在解决这类问题时计算效率较低。本文通过Chambolle-Pock算法，可以不直接求解系统的大矩阵问题，转化为在每一次迭代中与大矩阵的乘法，从而解决了大规模计算方面的问题，并且Chambolle-Pock算法本身具有较快的收敛速度，因此被选为本文所提模型的优化算法。全变分（Total variation）具有保持结构尖锐边缘的特性，被选为目标函数的正则化项以实现噪声和空间分辨的平衡。　　本文将所提方法在模拟仿真数据、物理模体数据和实验小鼠数据中做了测试验证，并且与三维图像域反卷积的方法在空间分辨、噪声分布以及计算时间方面进行了对比。实验结果显示，线积分域去模糊和三维图像域去模糊提升空间分辨程度接近，但线积分二维模型在计算效率方面具有更大的优势。在数字模体研究中，相比原始CT图，二维模型空间分辨提升了约21.4％，三维模型提升了约14.1％，而二维模型的计算时间是三维模型的4.6％。在物理模体研究中，二维模型空间分辨提升了约25.9％，三维模型提升了约22.2％，而二维模型的计算时间为三维模型的4.4％。在实验小鼠研究中，二维模型空间分辨提升了约12.5％，三维模型提升了约13.9％，而二维模型的计算时间是三维模型的4.9％。总体来说，和图像域去模糊算法相比，本文所提线积分域去模糊算法在空间分辨提升方面的性能接近，但是计算效率提升约20倍。