医学影像成像技术作为一种非侵入方式的医学诊断参考依据,在现代医学中起着越来越重要的作用。但是主流的医学影像成像系统都存在着一定的不足,如:MRI数据扫描时间长且容易受运动伪影影响,CT对患者有一定的辐射伤害等。如何在减少数据采集量的同时实现高质量图像重建是目前医学影像领域研究的重点,本文围绕压缩感知理论中两种字典学习模型以及自适应医学图像重建算法展开研究,具体研究内容如下:首先,针对正交字典中字典原子不相关性大能够提高图像稀疏编码性能的特点,提出一种基于自适应正交字典学习的医学图像重建算法。该算法在正交字典学习过程中采用SVD方法求解,大大降低了算法的计算复杂度,提高了重建速度,同时实现了较好的图像重建效果。其次,考虑解析字典相比于综合字典在相同维数时对图像的稀疏表示能力更强,更为灵活的特点,基于自适应紧标架学习,提出一种基于自适应紧标架学习的医学图像重建算法。该算法能够仅通过欠采样的测量值实现紧标架学习和图像重建。紧标架学习在稀疏编码步骤中利用简单的阈值方法进行处理,因此该算法的运行时间少于基于冗余综合字典的CSMRI算法。此外,自适应紧标架能够充分地捕获图像的细节信息,基于自适应紧标架学习的医学图像重建算法的图像重建质量较之前算法得到明显提高。最后,针对医学图像尤其是MRI图像在数据扫描过程中容易受到运动伪影影响,通过分析运动伪影产生的原理,针对性的提出一种基于自适应紧标架学习的相位校正医学图像重建算法。该算法对加性噪声和相位噪声有较强的鲁棒性,能够对运动伪影进行较好的校正。