随着全球范围内医学影像设备市场持续扩大,影像技术推动了医疗诊断水平的快速提升。在众多影像技术当中,计算断层层析成像（Computed Tomography,CT）技术相较于其他影像技术,在检查时长、准确性和价格上有着明显的综合优势。CT扫描能够在短时间内获得清晰的人体解剖断层图像,为后续的精准诊断奠定基础。但是,当受检病人接受高剂量CT扫描时会受到严重的电离辐射危害,一定程度上会加剧病人患癌风险。因而,低剂量CT图像复原成为热点研究问题,其目的是将低剂量CT扫描所产生的的低分辨率CT图像复原到高清晰的正常剂量CT图像,进而辅助临床疾病诊断。低剂量CT图像复原算法的研究可以追溯到几十年前,通常分为投影域方法、迭代重建方法和图像后处理方法。随着深度学习技术的兴起和广泛应用,在医疗健康行业领域有着巨大的发展前景。本文基于深度学习技术对低剂量CT图像复原算法进行深入研究,对当前深度网络模型进行优化改进,并结合CT图像的解剖结构和扫描剂量信息构建场景自适应的算法模型,有效提升低剂量CT图像复原性能。本文主要的研究工作和创新性贡献如下:（1）提出一种基于编解码卷积网络改进策略的低剂量CT复原算法。传统的编解码卷积网络由于连续的下采样操作导致大量空间信息丢失,另一个缺陷在于网络结构上需严格按照“先编码后解码”的设计原则,模型缺乏足够的灵活性。针对现有编解码卷积网络的不足,提出两种优化策略:改进编解码卷积网络架构设计和引入多个损失函数。在网络架构设计方面,采用交叉的上、下投影操作取代连续的下采样,通过级联模块的设计增加网络结构的可扩展性,同时通过引入空间注意力机制,在保证参数量更小的情况下能取得更好的低剂量CT图像复原性能。在损失函数的设计方面,采用了平均绝对值误差、边缘损失和感知损失3种损失函数用于模型训练。实验数据来自3个实际临床数据集（中科天悦数据集、AAPM数据集和联影数据集）,采用常见的降低管电流、稀疏角度和有限角投影策略降低CT剂量,实验结果表明提出的改进策略能有效提高算法模型的低剂量CT图像复原性能。（2）提出一种基于剂量估计的低剂量CT图像复原算法。在CT图像成像过程中,可以观察到以下现象:采取的扫描剂量不同在图像质量上有着明显噪声强度差异,扫描剂量越低,反映到最终图像上的噪声强度越大,导致图像复原越具有挑战性。基于此现象观察,提出一种关注剂量的网络算法（Dose-aware Network,Da Net）。首先,根据输入的低剂量CT图像估计出相应的剂量等级,然后估计出的剂量等级作为图像复原输入的先验知识来指导图像复原。剂量等级和图像复原过程中的图像特征采用提出的通道特征转换技术进行特征映射,将剂量等级信息融合到图像特征上,来提高算法的图像复原性能。通过在两个仿真数据集（AAPM数据集和联影数据集）和一个物理数据集上的实验验证,实验结果表明,和不含剂量估计的算法相比,提出的Da Net算法在主观评分和客观指标评价上均取得明显的优势。（3）提出一种基于解剖属性先验的低剂量CT图像复原算法。考虑到不同解剖部位的解剖结构存在较大差异,提出一种基于解剖属性先验的低剂量CT图像复原算法,解剖属性对应着低剂量CT图像的解剖部位编码。联合Wassistein生成对抗网络,在生成网路和对抗网络中均应用解剖属性信息。生成网络中,解剖属性可以直接从DICOM图像中获取,经过通道权重预测将解剖属性信息映射到图像特征的注意力掩码上,从而有助于低剂量CT图像复原。对抗网络部分,提出的属性损失约束复原出的正常剂量CT图像和参考的低剂量CT图像在解剖属性索引上的距离。实验数据来源于贵州省人民医院的10个解剖部位的100个临床病人数据,实验结果验证了提出方法的有效性。为了得到更好的视觉效果和量化指标结果,推荐采用4种损失函数（均值平方误差、对抗损失、属性损失和感知损失）应用在对抗网络模型训练中。本文提出的低剂量CT图像复原算法,有效改善低剂量CT图像质量,为临床诊断提供安全可靠的影像技术支撑,具有重要的理论参考意义和实际临床应用价值。