自第一台CT机成功研制以来,X-射线技术就成为医学临床诊断的一种手段。随着X-射线技术的大量使用,射线所固有的辐射危害引起了广泛关注。低剂量CT扫描技术由于减少了对人体的辐射剂量被广泛应用于临床医学诊断,但是低剂量CT扫描会使得图像带有条形伪影和噪声,信噪比降低,影响医师对患者的精准诊断。因此如何提高低剂量CT图像的质量成为CT研究领域的一个热点。本文采用深度学习方法提高低剂量CT图像的质量,主要贡献有:（1）构建了一种结构简单的递归残差编解码网络模型,提出用于低剂量CT图像去噪的递归残差编解码网络去噪算法。该模型通过浅层编解码网络的递归构建优质网络,具有残差编解码网络与递归网络的优点。通过实验对比,该算法可有效去除低剂量CT图像中的伪影和噪声,而且可以很好地恢复图像细节和病变特征。（2）低剂量CT图像中人体不同部位噪声的强度和尺度不同,针对单一的卷积操作去除伪影不完全的问题,构建了一种多尺度残差网络模型,提出了一种基于多尺度残差网络构架的低剂量CT图像去噪算法。该算法采用具有不同扩张因子的空洞卷积来提取不同尺度的伪影特征。对比实验结果表明该算法在去除噪声和伪影以及保持细节特征的有效性。（3）为了避免传统生成器训练时出现梯度消失的情况,构建了基于全变差正则项的Wasserstein生成对抗网络模型,提出了一种基于全变差正则项的Wasserstein生成对抗网络的低剂量CT图像去噪算法。该模型的生成器采用残差编解码网络结构。此外,在损失函数中引入感知损失、L₁损失以及全变差正则项,与Wasserstein距离协同帮助网络恢复优质CT图像。与其他的网络算法相比,该算法在去除伪影的同时,更好地保留了图像的结构特征和边缘细节。