计算机断层扫描（Computerized Tomography,CT）是一种常用的临床医学成像技术,它利用具有穿透性的射线对人体扫描成像,能够得到高质量的人体组织解剖图像。但是,CT成像使用的X射线对人体具有辐射危害,对基因造成损伤,甚至增加患癌风险,对孕妇和儿童的危害更大。临床上通常使用降低管电流量的方法来降低X射线的剂量,从而降低辐射带来的危害。但降低X射线剂量会导致CT图像的质量较低,存在更多的噪声和伪影干扰,从而影响临床医师的诊断与治疗。因此,低剂量CT去噪成为CT成像领域的重要研究方向。低剂量CT去噪的后处理方法以其无需原始投影数据、处理速度快等优点成为近年来低剂量CT去噪研究的主要方向。本文基于AAPM-Mayo公开数据集,对低剂量CT去噪的后处理方法进行研究,目的是提高低剂量CT图像的质量。具体研究内容如下:（1）针对REDCNN模型参数量大的问题,本文设计了一个基于残差神经网络ResNet的去噪模型,显著降低了噪声水平,并且参数量较小。在网络模型方面,本文在模型的图像去噪模块使用了1*1卷积层和残差连接将浅层特征直接传递到深层来进行通道上的特征融合,并在图像去噪模块之前添加了特征提取层来为其提供更有用的特征信息,在图像去噪模块之后添加了图像重建模块来结合更多特征信息重建图像;在损失函数方面,加入了图像的边缘损失来对L1损失进行修正。实验结果表明,提出方法的性能有所提升,PSNR较REDCNN提高了0.49。（2）针对现有WGAN模型进行低剂量CT去噪中判别器参数量较大的问题,本文设计了一个基于SENet的GAN网络判别器结构,结合WGAN-GP模型对低剂量CT进行去噪,显著提升了CT图像的视觉效果。在判别器结构方面,利用SE-ResNet的通道注意力机制来增加通道间的依赖关系,同时用一层卷积结构代替了两层全连接层,显著降低了网络的参数量;在损失函数方面,除WGAN-GP的对抗损失外,还引入了边缘损失对L1损失进行修正,引入了VGG损失来增强视觉效果。实验结果表明,提出的方法具有比较优秀的视觉效果。（3）设计并实现了基于CS架构的低剂量CT去噪系统。采用python语言,结合QT5、socket编程和pytorch深度学习框架设计了一个界面简洁、易于操作的低剂量CT去噪系统,经测试,该系统能够实现使用不同的网络模型进行去噪。提出的两种方法均提高了CT图像的质量,结合实现的低剂量CT去噪系统,有助于临床医师对疾病进行准确的诊断。