计算机断层扫描（Computed Tomography,CT）的电离辐射可能导致基因突变,并增加患者患癌症的风险。低剂量CT（Low-Dose CT,LDCT）扫描可以大大降低X射线辐射对人体健康的威胁,在医学影像领域有着广阔的应用前景。但是,一旦降低X射线的辐射剂量,由于光子不足和射束硬化等问题,可能导致重建的CT图像中引入某种程度的伪影和噪声,病变特征可能被噪声或伪影所覆盖,影响临床诊断。因此,如何在降低CT辐射剂量的同时提高重建图像的质量一直是CT领域的研究热点,具有重要的科学研究价值和临床使用价值。图像后处理方法直接在重建得到的LDCT图像上进行去噪处理,不依赖于原始数据,这对病人的隐私保护是极其有利的。本文使用基于深度学习的图像后处理方法,构建降噪网络模型,在抑制LDCT噪声的同时保留图像结构细节。具体研究内容如下:（1）基于注意力机制的LDCT图像去噪。在本研究中,构建的多剂量水平的胸腹部CT数据集被用来提高网络的鲁棒性。为了学习有利于提高网络去噪性能的特征,残差注意模块（Residual Attention Model,RAM）被引入到残差编译码卷积神经网络（Residual Encoder-Decoder Convolutional Neural Network,RED-CNN）和生成对抗网络（Generative Adversarial Network with Wasserstein Distance,WGAN）中,本文中将其分别命名为RED-CNN-RAM和WGAN-RAM。其中,RAM由多尺度卷积模块和注意力机制构成。残差结构解决了随着网络深度的增加而引起的网络退化问题,注意力机制学习有利于降低LDCT图像噪声水平的特征,减少去噪图像中的细节损失。（2）基于混合级联型网络的LDCT图像去噪。在本研究中,多剂量的头部CT数据集被用来训练网络,以构建适应多剂量水平的CT去噪模型。目前流行的LDCT基于深度学习的去噪网络通过LDCT图像与其对应的金标准之间的端到端映射输出去噪图像,其局限性在于去噪图像降低的噪声程度可能不能满足医生的诊断需要。针对这种情况,本文提出了一种混合级联式克隆网络,可以逐步输出去噪程度逐渐增强的去噪结果,适用于多噪声水平的去噪任务,实现了医生友好型交互的目的。具体地,混合级联型克隆网络架构将原始LDCT和前一个克隆模块的输出特征,作为之后克隆模块的输入,这种方式充分利用了先前克隆模块的训练过程信息,避免因克隆模块数量增加而导致的梯度消失问题。此外,实验中所设计的残差双分支卷积神经网络（Residual Dual-Branch Convolution Neural Network,RDB-CNN）作为被克隆的网络模块。残差结构被用来提高网络去噪性能,而双分支结构增加了网络宽度,使得RDB-CNN可以提取尽可能多的特征信息。