电子计算机断层扫描（Computed Tomography,简称CT）在现代医学诊断中起着非常重要的作用,但此技术使用的X射线所带来的安全隐患引起了很多人的担忧。为了降低辐射风险,低剂量CT图像降噪问题引起了研究者的广泛关注。近年来,随着深度学习技术的迅速发展,研究人员提出了一些深度降噪算法,取得了比传统算法更好的效果,但现有算法仍然存在降噪质量差、降噪图像过平滑等问题,更有效的低剂量CT图像降噪解决方案仍有待被提出。为了兼顾噪声抑制和细节保留、生成高质量的降噪结果,本文提出了一种新的低剂量CT图像降噪模型及损失,为解决上述难点提供了新的解决思路。本文的具体研究工作主要包含如下两部分内容:（1）针对现有方法噪点抑制能力不足的问题,本文提出了一种噪声拟合能力更强的端到端降噪模型。在此部分中,本文设计了一种新的特征提取模块:基于可训练Sobel卷积的边缘增强模块。该模块在传统的Sobel算子之中引入了可学习的参数,用于控制边缘特征提取的强度,增强了边缘特征的显式提取能力。此外,该部分还提出了一种新的低剂量CT图像降噪模型（EDCNN模型）,在模型结构方面,基于充分利用输入信息的思路,为边缘增强模块提取的特征和之后的各个模块之间添加了密集的连接,同时该模型采用了直接学习输入图像和目标图像差距的结构设计,使得模型对此降噪任务更加有效。（2）针对图像降噪任务中存在的图像过平滑、细节丢失和图像模糊等问题,本篇论文提出了一种新的复合损失函数。该损失函数作为优化的目标函数,在目前主流方法常用的均方误差（MSE）损失之外,还融入了多尺度感知损失。实验过程中,在AAPM-Mayo数据集上进行了大量的对比试验,探讨了两种损失的多种配置方案,最终设计的复合损失函数可以有效处理图像模糊和过平滑等问题,在图像视觉观感上,明显提高了所设计模型降噪结果的图像质量。本文在该任务通用的AAPM-Mayo数据集上进行了验证实验,通过模型自身结构和损失的消融实验,本文较为详细的探讨了模型的设计方案以及各个模块发挥的作用。通过对比已有的同类模型,该算法表现出了较为优秀的降噪性能。