计算机断层扫描（CT）利用射线进行成像,并广泛应用于生物学、药学及安检等方面。在辅助治疗方面,CT凭借扫描速度快且成像清晰的优点帮助医生准确筛查病灶,大幅降低了癌症和恶性肿瘤的死亡率,但常规剂量CT的高辐射对患者伤害很大甚至致癌,而在此基础上降低辐射剂量的低剂量CT信噪比低,器官病灶纹理模糊,易造成医生的误诊和漏诊,因此低剂量CT图像需要经过算法进一步处理达到临床要求。本文从两个方面针对现有算法的不足,提出了两种基于深度学习的有效低剂量CT重建方法。第一种方法,本文提出了基于细节保护的低剂量CT重建方法。由于现有方法在去噪过程中对CT图像的器官纹理、轮廓以及病灶细节没有进行很好保护,使得重建结果出现完全去噪的同时丢失重要纹理细节,或是保留纹理细节但去噪效果差的情况。因此本文设计了由细节保护损失函数指导训练的孪生反馈网络,可实现在去噪过程中分别从像素、局部以及全局三个方面对CT图像进行细节保护。第二种方法在第一种方法的基础上,首先关注到CT图像中存在很多在重建阶段引入并在图像域中无特定分布的噪声。因此仅仅利用图像域特征的很多现有方法不能很好对其进行处理,而结合正弦域的现有方法,或依赖于手动设计的投影算子,泛化性差,或无法紧密结合正弦域和图像域特征信息进行有效去噪。另外本方法关注到CT图像噪声分布不均匀的特点,考虑到医生在对不同噪声强度器官病灶进行诊断时,可对应挑选相应去噪强度结果的需求,打破现有方法模型只能产生固定去噪强度结果的模式,使得单一模型能够输出不同去噪强度结果的同时,还可利用可学习参数将结果调节至最适宜的去噪强度。因此本方法提出了了基于双域交织的可控低剂量CT重建方法。该方法在紧密结合图像域及正弦域特征信息的同时,实现单一模型输出去噪强度可调的结果以满足医生的不同诊断需求。为了验证上述两种方法的有效性,在实验章节中本文方法通过与主流方法比较,不仅在客观指标PSNR和SSIM上达到更高的数值,而且主观效果上也优于主流方法。