基于透镜耦合的高分辨显微CT因其分辨率高的特点,被广泛应用于生物医学、材料科学等多学科领域科学研究中。受限于探测器分辨率、射线源焦点尺寸和透镜系统引起的投影图像退化等物理因素,及高分辨系统下噪声、大数据量处理效率等算法模型因素,高分辨显微CT在实际应用中难以实现超系统理想空间分辨率的成像。本课题以实验室现有的透镜耦合式高分辨显微CT为平台,提出基于亚像素信息的超分辨CT重建算法,利用亚像素位移产生的冗余信息并建立联合退化、噪声等因素的迭代重建模型,通过深度学习网络和双GPU对该模型进行加速,实现了高分辨显微CT超分辨成像。本课题研究工作主要包括以下几方面的内容:首先,本文提出基于纳米载物台抖动的超分辨FDK算法(Super resolution FDK,SR-FDK),将亚像素位移信息应用于高分辨显微CT重建。通过围绕高精度纳米载物台设计抖动待测物体的扫描方案,获取具有亚像素位移信息的投影图像;基于ITK框架设计了高精度位移矩阵矫正算法,直接利用载物台移动坐标计算位移矩阵;提出基于位移矩阵的FDK算法,实现上采样CT重建,并分析了定点移位位置个数对分辨率提升效果的影响。仿真及实际实验结果表明,该算法能提升图像分辨率,但对于成像过程射线源焦点尺寸、透镜系统引起的系统模糊效应改善有限。此外,由于抖动待测物体的扫描方式打破了CT成像中环状伪影的形成机制,重建图像中的环状伪影也得到了较好地抑制。进一步地,针对成像过程中引起的系统模糊效应,提出基于纳米载物台抖动的超分辨MBIR算法(Super resolution MBIR,SR-MBIR)。SR-MBIR使用与SR-FDK相同的扫描及上采样细化网格方案,通过优化正投影模型,并设计基于多孔盲反卷积的模糊矩阵测量方法,将高分辨显微CT中常见的焦点尺寸、闪烁体厚度造成的模糊、系统噪声等模型均引入到迭代正投影模型中。仿真以及实际实验结果表明,SR-MBIR算法提升图像分辨率效果显著,能够更好地抑制成像过程的系统模糊效应,提高了重建图像的信噪比。虽然SR-MBIR迭代算法对CT重建图像分辨率提高明显,但是其数据量大、高频收敛慢等特点限制了该算法的实际应用。本文分别应用深度学习方法和硬件双GPU编程来促进CT迭代算法快速收敛,提高计算效率。通过将平滑处理后的FDK图像作为输入,将超分辨迭代结果作为输出进行监督式学习,训练超分辨卷积神经网络(super-resolution convolutional neural network,SRCNN)学习迭代图像高频特征;将训练后富含高频信息的SRCNN网络输出结果作为迭代算法的初值,提高迭代算法的高频收敛速度。上述算法模型最后完成了基于双GPU编程的实现,提高了并行化程度和计算效率。分别利用仿真数据及真实数据进行迭代加速算法实验,实验结果表明:在采用双GPU编程加速的情况下,重建时间缩减为原来的四分之一。