计算机断层扫描成像技术自问世以来,一直是临床诊断最常用的手段之一。然而,常规X射线CT扫描常常伴随着较高的辐射性,会对人体产生一定的危害。低剂量CT一般通过降低X射线管电压或管电流的方法降低辐射性,但同时也导致了成像质量的下降,即低剂量CT图像中存在着大量的斑点噪声和条形伪影。因此,如何改善低剂量CT的成像质量一直是医学影像处理研究的热点内容之一。为改善低剂量CT成像质量,针对低剂量CT图像后处理算法,本文基于深度学习方法进行了两方面研究,具体研究内容如下:（1）研究了一种基于VGG网络和深层字典的低剂量CT图像去噪算法。相比传统KSVD算法的单层字典学习,采用能够保留更多结构信息的深层字典学习,并在学习到第一层字典后,针对低剂量CT图像噪声强度较高的特点,利用改进的VGG网络将字典原子区分为信息原子和噪声原子,同时将稀疏矩阵中噪声原子所对应的元素置零,以降低噪声原子对图像去噪效果的影响,从而在保留图像边缘和细节的同时提高算法的去噪性能。在对骨盆体模LDCT仿真图像的对比实验中表明,相比于传统的K-SVD算法、正则化K-SVD算法和深层字典学习算法,在主观视觉效果和客观质量评价指标上,所提算法在去除噪声伪影和保持图像边缘细节方面均有明显优势。（2）研究了一种基于异常点检测的低剂量CT图像去噪算法。受特征点匹配思想启发,假设一幅正常剂量CT图像上的任意点与其自身的对应点是严格匹配的,而低剂量CT图像由于噪声的影响,其上的点与其对应的正常剂量CT图像上的对应点存在不匹配点,即异常点,而异常点往往是受噪声影响较大的点,然而低剂量CT图像的异常点检测需要借助其对应的正常剂量CT图像。深度学习方法的出现,弥补了所提方法的缺陷,本文研究的Slide R-CNN网络可以在不借助正常剂量CT图像的情况下,检测低剂量CT图像中的异常点。为验证异常点检测在低剂量CT图像去噪方面的有效性,分别将异常点检测与传统方法和深度学习方法相结合,研究了Outliers-NLM算法以及SRC网络。实验证明,相比其他去噪算法,基于异常点检测的低剂量CT图像去噪算法在主观视觉效果以及量化指标方面均有明显优势。