随着计算机断层扫描(CT)技术的不断发展以及其临床辅助诊断的重要作用,自1973年Godfrey Hounsfield发明第一台CT扫描仪起,CT具有越来越广泛的临床应用。由于CT影像的生成与人体不同组织吸收、透过不同含量的X射线有关,这对患者存在引起遗传损伤、诱发癌症和其他肿瘤的潜在风险。为解决这一问题,通过降低管电流等方法来降低CT扫描的辐射剂量是一种高可行性的手段。但是辐射剂量的降低会增加影像的噪声和伪影,对于临床诊断而言,这种对诊断信息的破坏是不可接受的。近年来,为解决在降低CT扫描的辐射剂量的同时保证低剂量CT影像的诊断效用,研究人员进行了大量的相关工作。传统的影像处理方法包括重建前的正弦图域滤波、迭代重建及重建后的图像后处理,取得了很多突破性成果,然而影像的处理时间过长、可能存在的边缘模糊等问题,对于临床大量的CT扫描需求来讲,还需进一步完善。随着计算机计算能力的显著提高,允许处理深度网络的大量数据,使得基于深度学习的方法在医学影像处理领域有着爆炸性的发展,并在低剂量CT影像降噪上,取得了很好的效果并展现出巨大的发展潜力,并且训练好的模型在应用阶段处理影像的时间远少于传统方法。在低剂量CT影像降噪研究中,为降低低剂量CT影像中存在的噪声和伪影,同时使得处理后的影像在主观视觉效果上,从降噪程度、软组织纹理保存及小结构保真度三个考量指标来看均有高质量的处理结果,在客观指标定量分析中取得高分,本文设计了基于感知卷积网络的低剂量CT影像降噪方法。该方法利用残差思想学习低剂CT影像到影像噪声间的映射,降低了训练难度,同时结合感知损失及L1损失,综合了深度学习的表达能力和医学影像的数据特点。通过实验验证,所提方法处理效果能够更好的平衡影像的降噪程度和组织纹理细节的完整保存,尤其针对目前该领域的难点软组织窗的处理效果。针对CT扫描不同剂量的场景,设计了基于深度卷积网络的混合多剂量CT影像降噪方法。基于CT影像降噪模型,进一步优化模型结构,提升模型的降噪性能。引入盲降噪方法,对于不同扫描剂量的影像,在不同的数据集上,使用该模型处理均取得了良好的主观视觉效果和客观指标得分。