CT技术作为患者身体检查,诊断疾病的有效手段,已经在临床广泛使用。但CT检查过程中产生的射线对人体带来的伤害却也不能忽视。采用有效的手段可以减少CT检查过程中产生的射线量,比如降低管电压,降低管电流,降低曝光时间,减少采样角度等。但是降低辐射剂量,在CT成像过程中会产生CT图像上不属于组织结构影像的伪影,使图像细节模糊,图像清晰度下降,甚至会影响医生的诊断结果,给患者带来更为严重的危害。近年来,深度学习不断的向医疗影像领域渗透,在低剂量CT重建问题中也有了成功的应用。在以上大背景下,本文开展了基于深度学习技术的低剂量CT重建方法的研究。分别针对降低管电流的低剂量重建和稀疏角度低剂量重建,提出了基于图像域多尺度RED-CNN和基于投影域插值卷积神经网络的低剂量CT重建方法,具体工作包括:（1）在图像域后处理方法中,先对低剂量图像进行了NSCT（非下采样轮廓波变换）分解,利用其多尺度分析特性,在不同尺度上按频率段逐层提取噪声信息。然后在低剂量CT的分解系数图像的基础上,利用卷积神经网络层层提取噪声信息,生成系数图像的负噪声图像,最后经过图像融合,获得重建CT图像,这样在去除噪声的同时,保留了图像的边缘和细节。本方法选择了RED-CNN经典网络模型作为基础模型,对其进行优化,包括:以低剂量CT图像高频系数和标准剂量CT图像高频系数作为网络的输入和输出。优化了网络中感受野的大小。基于模拟降低管电流的低剂量CT数据进行了仿真验证。实验结果表明,本文所设计的模型能够保留CT图像的边缘细节信息,对低管电流导致的图像噪声有很好的抑制作用,达到了较好的CT重建效果。（2）对于稀疏角度CT成像,本文设计了投影域列插值卷积神经网络进行稀疏角度低剂量CT重建。利用卷积神经网络在像素插值上的优势,恢复角度缺失的投影数据,对插值后的投影数据应用经典的滤波反投影重建,得到重建的CT图像。列插值卷积神经网络借鉴了自然图像超分辨率分析任务中的高效亚像素卷积神经网络,对网络的输出以像素排列方式进行了重新定义,使其能适用于正弦图的列插值任务,估计出完备的正弦图,完成低剂量CT重建。通过实验结果的分析,可以发现,在不同倍数的稀疏角度下,本方法都可以取得很好的重建效果,可以去除低剂量图像中的噪声,使重建图像更加清晰。