近年来,现代诊断医疗技术发展迅速,计算机断层扫描（Computed Tomography,CT）已经成为一个重要工具,因为其具有检测速度快,费用低等特点,经常用来帮助诊断复杂的骨折,肿瘤等,在新型冠状病毒肺炎的斗争中也起到了举足轻重的作用。随着人们对于健康的日益关注,大家普遍希望降低受到的CT辐射,但低剂量的CT,会造成图像质量下降的现象,从而产生误诊等更严重的后果。针对低剂量CT图像去噪,根据医学图像的特殊性,每一位患者病灶的形状,位置不一,意味着检测不仅依赖局部特征,并且依赖于整体的全局特性。传统方法会造成生成的图像边缘模糊,关键点不清晰,缺少细节等问题。由于深度学习方法具有强大的特征表示能力,逐渐代替了传统方法,成为了研究的主流方向。本文提出了一种基于Gabor滤波的深度学习医学图像去噪方法。本文的主要研究内容如下:（1）提出了使用变分贝叶斯方法推理Gabor滤波参数,经实验对比发现Gabor滤波与传统CNN相比更加适用于医学图像的研究,利用Gabor滤波来代替传统卷积增强了边缘检测的能力,每个Gabor滤波器的参数表示为一个可学习的高斯分布,该方法具有更少的可学习权值,不容易出现过拟合,计算操作明显减少,极大提高了运算速度。（2）提出了一种Transformer+Gabor的医学图像去噪模型BGFormer,结合了局部增强窗口（Le Win）Transform模块构造的编码-解码网络与跳层连接结构,使得模型在获取局部上下文的同时,能显著降低高分辨率特征图的计算复杂度。BGFormer在去噪任务中结合局部与全局的依赖关系能力和边界特征提取能力有很强的提升。我们将预处理图像像素值归一化进入编码器,在编码阶段,通过Le Win Transformer结构块输入,进入贝叶斯Gabor滤波进行卷积,生成编码后的特征图后,对特征图进行下采样。连续两次这样的过程之后,进入瓶颈层,在瓶颈处,将编码后的特征映射传递给另一个Le Win Transformer块,让其可以按照编码时相同的阶段数进行解码。之后进入解码器,在解码器的每个阶段,与之前上采样的特征映射连接起来再通过卷积,解码阶段可以看作是与编码阶段截然相反的操作,解码后产生的最终特征图经过输出投影块来产生所需要的残差,通过相减得到最终的去除噪音之后的清晰图像。（3）提出混合总变差（variation loss）计算,从不同角度综合评估计算结果,结合了像素距离以及邻近像素的变化和多尺度感知来提升模型产生清晰图像的能力。本论文提出的方法与之前的基于深度学习的针对医学图像方向的去噪算法相比,能够恢复出更加清晰的,结构更加明确的干净图像,在峰值信噪比（PSNR）,均方根误差（RMSE）,结构相似性（SSIM）指标上展示了更加先进的性能。