CT图像在成像、传输、存储和使用过程中无法避免地会受到噪声的影响,噪声可能会使医生对CT图像产生误判。正确地识别CT图像中噪声种类与噪声强度不仅能够找出噪声产生的源头,而且可以降低图像去噪的盲目性与复杂度。但是现有的大部分噪声识别算法都是基于图像中只存在单一类型高强度噪声的假设,很少有研究者对于常见的低强度混合噪声进行研究。针对低强度混合噪声,论文主要工作如下:(1)在TCGA-LUAD肺癌CT图像数据集的基础上构建了一个共1200张的小型低强度混合噪声图像数据集,该数据集包括高斯噪声,椒盐噪声与混合噪声共8类目录。(2)提出了基于DenseNet的图像噪声识别算法。算法选择使用在ImageNet上充分预训练过的密集卷积神经网络DenseNet,预训练过的DenseNet可以高效识别输入图像的轮廓边缘等特征,并且具有高抗过拟合,适合训练小型数据集的优势。算法首先对噪声图像数据集进行一系列预处理,提取出噪声图像的可视化统计特征图,然后微调预训练DenseNet的网络结构,最后使用微调过的DenseNet对可视化统计特征进行训练。经过训练,网络可以比较准确地识别图像中存在的低强度的椒盐噪声,高斯噪声及其混合噪声。(3)以去噪卷积神经网络DnCNN为例,针对8类不同噪声来构建8类相应的去噪卷积神经网络,并与其他去噪算法进行仿真对比,分析了图像噪声识别在后续去噪过程中的应用与优势。