X射线多谱CT成像相较于传统CT成像,引入了多个能量下的物质衰减信息,能够抑制“能谱平均”的硬化伪影,实现材料组分及微观结构的定量表征,对新材料、新药物、新能源的研发与性能测试具有重要意义。基于“鸡尾酒会”盲分离的多谱CT成像,避免了现有多谱CT成像存在的模型复杂、能谱已知等局限性,但是在多谱伪影去除、噪声抑制以及窄能谱能量指向性上仍存在问题,影响了定量表征精度。为此,本文在现有多谱盲分离方法基础上,聚焦提升多谱CT重建质量和定量表征精度,开展基于先验信息的X射线多谱CT成像与表征算法研究,使多谱CT在定量表征问题上易实现、可应用。针对多谱盲分离模型病态性所引起的噪声放大问题,提出了基于泊松先验的X射线多谱CT盲分离算法。该算法在投影域引入材料正则化以对噪声进行抑制,同时考虑多能测量数据的泊松统计特性,依据极大似然原理,建立了关于能谱权重向量和厚度向量的约束正则化加权最小二乘优化模型。为实现模型的有效求解,在块坐标下降框架下,根据求解变量在数量规模、位置以及约束条件上的差异,采用非负矩阵分解联合高斯牛顿算法进行交替迭代。另外,对于优化模型的非凸性,给出了一种有效的初始化策略。仿真和实际实验表明,该算法能够有效抑制分解投影的噪声,提高窄能谱图像质量和衰减系数的准确性。针对材料投影数据非严格光滑导致投影边缘被过度抑制问题,提出了基于图像稀疏先验的X射线多谱CT盲分离算法。该算法在X射线多谱盲分离模型中引入成像系统矩阵,以实现材料图像的直接反演,既能避免间接误差的引入,也能将投影域正则转换为具有边缘保留特性的图像域正则,在降低噪声的同时保留图像的边缘和细节信息。依据极大似然原理,建立了关于能谱权重向量和体积分数向量的约束正则最小化模型,并采用交替优化算法进行求解。求解时采用了优化转换原理,将大规模非线性优化转化成一系列相互独立的小规模二次规划,通过并行计算来提高算法效率。实验表明,该算法获得的窄能谱图像不仅具有更小的硬化伪影,衰减系数也更加准确。基于多谱分离重建的CT序列可实现材料组分的定量表征。但为保证表征精度,一般需进行反复调参,实用性较差。为此,针对先验参数适应性问题,在多谱CT组分表征物理机理下,构建了组分表征惩罚加权最小二乘模型,并借鉴重建领域LEARN网络的思想,将其梯度下降公式展开为一种迭代式深度网络,通过网络参数的学习来自动调节先验参数。该网络建立在传统迭代方法基础上,能够考虑表征前后的数据一致性,而且网络训练只需要少量的数据集。仿真和实际实验表明,该方法在图像噪声抑制上具有明显优势,对于衰减特性相近的材料也能进行准确的表征,同时该方法具备一定的容错能力,对以上两种多谱分离重建算法得到的窄能谱图像均能有效表征。所提方法降低了多谱CT图像表征难度,提高了定量表征精度。