X射线计算机断层成像(X-ray Computed Tomography, CT)作为一种成熟的检查方法,在临床上已经被普遍认可,成为了放射诊断领域内不可或缺的主要工具之一。然而,随着CT断层扫描的普及,CT扫描中的辐射剂量问题已经越来越多地引起了人们的关注。超过正常范围的辐射剂量易诱发人体新陈代谢异常甚至引发癌症。通过调节管电流和电压可以减少CT扫描剂量,但会在重建图像中增加噪声以及具有方向性的条状伪影,降低CT重建图像质量,从而影响临床医生对异常组织的确诊率。本文将主要研究基于字典学习的低剂量CT图像处理算法,具体内容包括以下几个方面：基于字典学习的稀疏表示方法是最近提出的一种信号/图像处理方法。这种方法首先训练出一个全局过完备字典,之后将目标图像拆分成若干很小的图块,并对每个图块进行稀疏编码,令其用一个过完备字典中的很少的几个基(原子)通过线性组合进行表示。在这一过程中,通过控制参数,可以使正常结构得到表示,而伪影噪声很难被稀疏表示,从而达到去噪/去伪影的目的。基于字典学习的稀疏表示方法已被证实在低剂量腹部CT图像中能够实现较好的图像恢复效果。本文中将继续探索该方法在头部灌注CT和心脏CT中的应用,并将原来的二维方法扩展到三维,进一步利用了空间和时间维度上的连续性。实验结果表明,相对于二维的方法,三维的基于字典学习的稀疏表示方法能显著提高效果,在更加有效地去除噪声伪影的同时,更好的保持了图像的细节和对比度。对于腹部CT图像,基于字典学习的稀疏表示方法已被证实能够在管电流降低到原来五分之一的情况下仍然获得较好的图像恢复效果。然而,该方法也存在一定的局限性,即容易将低剂量扫描条件下易出现的条状伪影当作图像中的有用信息进行保留,从而无法有效去除该类伪影。为了克服该问题,本文在原有算法的基础上进行了改进,创新性地提出了“伪影抑制字典学习方法(Artifact Suppressed Dictionary Learning, ASDL)"。该方法的主要思路是,首先训练一种区别性的字典,这种字典既包含了利于表示图像特征部分的特征原子,又包含了利于表示图像伪影部分的伪影原子。图像通过该字典进行稀疏表示后,图像中的特征和伪影部分都能分别得到较好的表示。之后再将伪影原子表示的图像部分分离出去,就实现了去伪影的目的。实验结果表明,本文提出的新方法可以有效抑制低剂量CT图像内的条状伪影,配合传统的稀疏表示方法,可以明显提高低剂量CT图像质量,使其满足临床诊断的质量要求。