Las imágenes reconstruidas por tomografía computarizada (TC) espectral a menudo presentan ruido y artefactos severos, lo que compromete la aplicación práctica de la tecnología de imagen TC espectral. Los métodos que utilizan aprendizaje de diccionario tensorial (TDL) han mostrado un rendimiento superior, pero es difícil obtener un diccionario tensorial global pre-entrenado de alta calidad en la práctica. Con el fin de resolver este problema, este artículo desarrolla un algoritmo llamado descomposición tensorial con variación generalizada total (TGV) para la reconstrucción de TC espectral de vista dispersa. En el proceso de construcción de volúmenes tensoriales, el algoritmo propuesto utiliza la característica de similitud no local de las imágenes para construir volúmenes tensoriales de cuarto orden y utiliza la descomposición tensorial Poliádica Canónica (CP) en lugar de diccionarios tensoriales pre-entrenados para explorar aún más la correlación entre canales de imágenes. Simultáneamente, al introducir el término de regularización TGV para caracterizar características de esparsidad espacial, el uso de derivadas de orden superior puede adaptarse mejor a diferentes estructuras de imagen y niveles de ruido. El modelo de minimización de objetivo propuesto ha sido abordado utilizando el algoritmo de split-Bregman. Para evaluar el rendimiento del algoritmo propuesto, se realizaron varias simulaciones numéricas y se estudiaron ratones preclínicos reales. Los resultados finales demuestran que el algoritmo propuesto tiene una enorme mejora en la calidad de las imágenes de TC espectral en comparación con varios algoritmos competidores existentes.