低剂量X射线计算机断层（Low-dose X-ray Computed Tomography）成像技术是现代医学检测的重要手段之一,同样也是医学成像的重点研究内容之一,其目的是在降低X射线辐射剂量前提下,保证CT成像的准确性,以及医学诊断的可靠性。低剂量CT成像方法多种多样,或是降低X射线辐射强度,或是在扫描期间降低采样,无论哪种技术手段都可以减少X射线对人体的伤害,但同样地,都破坏了图像质量,在既要降低X射线辐射剂量,也要保证CT成像质量的前提下,低剂量CT成像技术越来越受到研究者们的重视。本文针对低剂量CT降噪问题进行了分析和研究,并针对现有成像问题提出解决方案。主要贡献如下:（1）本文首先阐述了低剂量CT成像的课题背景,深入探讨了低剂量CT成像技术发展现状,分析了投影域降噪算法、迭代重建算法、CT图像后处理算法等目前主流CT图像降噪算法的优劣,并总结得出目前CT降噪领域仍然存在的问题;（2）紧接着引入卷积神经网络,为本文基于深度学习的CT图像降噪方案奠定理论基础并对低剂量CT成像理论进行分析,探讨了目前噪声建模方案的缺陷,并基于深度学习理论对CT图像噪声进行重新建模,分析了深度学习应用于CT图像降噪的可行性;（3）针对带标签数据（即低剂量CT图像和与之对应的正常剂量CT图像）获取困难问题提出一种半监督学习方法。传统低剂量CT降噪算法大多基于噪声模型来进行滤波,成像效果一般。现如今基于卷积神经网络的模型成为发展重点之一,其强大的特征提取能力为低剂量CT降噪提供了另一种解决思路,但卷积神经网络需要庞大的带标签数据支持,而想要获取满足要求的标签数据较为困难。针对这一问题,本文提出了一种基于对偶学习的半监督降噪方法,在模型训练过程引入部分无标签数据,降低了模型对于数据的要求,并通过实验分析了带标签数据占比对降噪效果的影响。（4）针对低剂量CT降噪的成像质量问题提出一种基于生成对抗思想的方法。目前的算法大多着眼于图像评价指标的提升,而忽略了评价图像质量在一定程度上是以人类视觉效果为依据的,一味地提高评价指标并不意味着图像质量越来越好。在医学诊断过程中,放射科医生经常重点关注图像的某些细节信息,这些细节信息往往决定着诊断结果的准确性。本文针对成像过程中细节信息丢失问题提出了一种基于注意力机制的生成对抗网络,极大地增强了图像的细节表现力,并与现有算法对比,充分验证了其有效性。