计算机断层扫描（Computed Tomography,CT）技术能够无侵入的对人体特定部位进行快速精准扫描而被广泛应用于临床放射学检查,然而CT扫描过程中产生的电离辐射会对人体造成伤害并增加患癌风险。低剂量CT（Low-Dose CT,LDCT）可以有效减少患者所受的辐射剂量,但会使CT重建图像的质量严重下降,进而影响临床诊断的精确性。当前,将深度学习技术用于LDCT降噪问题能够取得良好的效果。本文从图像域后处理的角度出发,利用卷积神经网络（Convolution Neural Network,CNN）对LDCT图像中的复杂噪声和关键细节进行特征提取,将LDCT图像恢复问题转化为卷积神经网络的拟合问题,对LDCT图像恢复算法进行研究,旨在提高LDCT图像的成像质量,并主要做了如下两项工作:（1）针对以往生成对抗网络（Generative Adversarial Network,GAN）在训练过程中容易出现的梯度消失现象以及单一重建损失导致的去噪图像出现过度平滑的问题,提出了一种基于复合损失的低剂量CT图像恢复算法,网络采用最小二乘损失在无正则化的情况下稳定了网络训练过程,算法结合了图像的像素空间和感知特征空间,同时采用残差学习策略拟合噪声的分布避免了层数加深造成的结构细节丢失。实验结果显示,与现有算法相比,该算法能更好地抑制噪声和去除伪影,并较好地保留了图像的边缘纹理,同时,对于临床诊断而言至关重要的细节信息也得到了较好程度的保留。（2）针对以往去噪神经网络中没有考虑不同通道和空间特征与去噪任务之间的重要程度关系的问题,提出了一种基于注意力机制的LDCT图像恢复方法。在残差编解码卷积网络基础上,引入空间注意力与通道注意力机制,获取了全局特征信息,并对特征权重进行了重标定,使重要的结构细节能够得以保留,从而提升了网络的去噪性能,同时在网络的前端引入了预处理层,避免了网络中的跳跃连接在去噪后的图像中引入更多的噪声。实验结果表明,在视觉效果上,改进后的算法不仅减少了LDCT图像中的噪声和伪影,同时也保留了更多的纹理特征与结构细节;峰值信噪比值等客观指标均高于其他对比算法。