纳米计算机断层成像（Computed Tomography,CT）是一种能够在纳米级分辨率下无损观测样品内部结构的新型成像技术。基于超微焦点射线源的实验室纳米CT,受限于射线源功率,X光强度比普通锥束CT低1～2个数量级,因此在相同曝光时间下,纳米CT存在噪声升高、对比度下降等问题,严重影响成像质量。研究纳米CT图像降噪技术对于提升纳米CT成像质量和工作效率具有重要的现实意义。本文针对实验室纳米CT成像质量下降问题,从投影域和图像域两个角度出发,分别围绕投影域降噪、图像域非匹配降噪以及图像域三维降噪三个方面开展研究,主要研究成果如下:（1）针对纳米CT的投影图像细节对比度弱,现有降噪方法对投影细节保留能力有限的问题,提出了一种基于Inception-U-net的纳米CT投影域降噪方法。本文在U-net网络的编码器部分引入Inception模块,采用多种卷积核并行运算获取多尺度图像特征,增加了网络的深度和宽度,提高了网络的特征变换能力。此外,引入结构相似损失和L1损失,防止结构信息被过度平滑。仿真和实际实验结果表明,本方法与残差编码器-解码器卷积神经网络（Residual EncoderDecoder Convolutional Neural Network,RED-CNN）相比,峰值信噪比平均提升了8%。（2）针对纳米CT大规模匹配数据获取困难,现用图像域降噪方法难以在纳米CT领域迁移应用的问题,提出了一种基于解耦表征网络的非匹配纳米CT图像域降噪方法。本文基于解耦网络联合损失函数,通过学习循环生成的不同形式有、无噪声图像的数据分布,实现基于非匹配数据提升纳米CT的图像质量。实验结果表明,网络针对非匹配数据集,具有良好的图像降噪能力,峰值信噪比与非匹配方法循环一致生成对抗网络（Cycle-Consistent Generative Adversarial Networks,Cycle GAN）相比平均提升了约5%。（3）针对实际样品三维整体降噪过程中,单一横断面处理,造成矢状和冠状面信息缺失,整体降噪效果不理想的问题,提出了一种基于三维残差自注意力U-net（3D Residual Self-Attention U-net,3D RSAU-net）网络的纳米CT图像域降噪方法。本文通过在网络中引入三维自注意力模块,充分利用切片内和切片间的大区域相似性,克服卷积运算接受域有限,建模结构信息效率低的问题,此外,使用多个残差连接,减少网络参数量。实验结果表明,本方法与域渐进三维残差卷积神经网络（Domain Progressive 3D Residual Convolution Network,DP-Resnet）相比,峰值信噪比平均提升了5%,在运行时间上提升了50%。