计算机断层成像技术(Computed Tomography, CT)利用人体各个位置的器官对X射线的吸收程度差异，通过测量X射线穿过人体后剩余的光子数，依据Radon变换等数学原理，重建出反应人体内部器官信息的CT图像。CT成像技术可以在无损条件下获得病人内部器官的结构，故应用广泛。但过高剂量的X射线扫描会损害人体内部器官结构。临床中，多通过降低X射线管阴极电流来降低扫描剂量，但是这会让重建CT图像包含较多的噪声。此外，由于设备条件和重建算法等限制，低剂量CT重建也会产生模糊和伪影。这些干扰因素会严重降低重建图像的质量，进而影响后续的诊断和治疗，因此低剂量CT重建的研究具有重要的现实意义。
　　近些年来，深度学习获得了快速的发展，它不仅在高级别的计算机视觉任务比如图像分类、分割等领域取得了长足的进步，还在低级别的图像去噪复原等问题上也获得了很大的成功。本文的主要任务就是尝试用深度学习方法解决低剂量CT重建中存在的两个方面问题：
　　(一)低剂量CT重建图像的模糊问题。本文对CT重建中存在的模糊问题进行数学建模，并使用数学推导和深度学习相结合的方式求解。基于深度学习的CT图像去模糊算法不仅实现CT图像的去模糊，还能抑制噪声，保护图像的结构和边缘等信息。
　　(二)低剂量CT重建中的伪影问题。传统解析类CT重建方法可以很快的重建出CT图像，但是它不能很好的排除伪影和噪声等干扰。本文提出了使用深度学习和FBP算法相结合的方法，不仅可以保留传统FBP算法快速重建图像的优点，还能有效地去除噪声和伪影等干扰信息。