为了解决计算机断层成像（CT）稀疏解析重建过程中产生条状伪影的问题，在经典的UNet网络结构的基础上，提出了多残差UNet （Mr-UNet）网络结构，以更好地压制条状伪影。首先，用传统滤波反投影（FBP）解析重建算法稀疏重建出含条状伪影的稀疏图像；然后，将该类图像作为网络结构的输入，且将相对应的高精度图像作为网络的标签进行训练，使得该网络具有很好的压制条状伪影的性能；最后，将经典UNet原先的四层下采样加深到五层，并在模型中引入残差学习机制将每个卷积单元构建为残差结构，从而提升网络的训练性能。实验中采用了2 000对大小为256×256的含条状伪影图像和对应的高精度图像作为数据集，其中，1 900对作为训练集，50对作为验证集，其余的作为测试集来训练网络，并验证、评估网络性能。实验结果表明，与传统的总变差（TV）最小化算法及经典的UNet深度学习方法的比较表明，所提模型重建图像的均方根误差（RMSE）平均降低了约0.002 5，结构相似度（SSIM）平均提高了约0.003，且能更好地保留图像纹理和细节信息。

传统的总变差（TV）最小算法是一种基于压缩感知(CS)的经典迭代重建算法，可以从稀疏数据或含噪数据中高精度地重建图像。然而，TV算法在重建分段常数特征不明显的图像时可能会引入块状伪影，通过研究得出，在图像去噪中使用高阶总变差（HOTV）能有效压制TV模型引入的块状伪影。鉴于此，提出了一种HOTV图像重建模型及其Chambolle-Pock（CP）求解算法。具体来说，以二阶梯度构建二阶TV范数，进而设计了一种数据保真约束的二阶TV最小重建模型，并推导出了相应的CP算法。在理想数据投影和含噪数据投影条件下，分别采用基于波浪背景的Shepp-Logan模体、灰度渐变模体以及真实CT图像模体进行重建实验，并进行定性和定量分析。理想数据投影的重建结果表明，和传统TV算法相比，HOTV算法能有效压制块状伪影并提高重建精度。含噪数据投影的重建结果表明，HOTV算法和TV算法均有良好的抗噪能力，但HOTV算法的保边性能更好且抗噪性更强。在重建分段常数特征不明显而灰度波动特征明显的图像时，HOTV算法是一种比TV算法更优的重建算法。所提HOTV算法可以被推广到各种扫描模式下的CT重建及其他成像模态中。