脑出血是一种潜在的危及生命的恶性脑疾病,具有致残率高、病死率高和预后效果差等特点。临床上,脑出血的早期诊断具有重要意义,能够有效地减轻神经功能缺陷并且降低死亡率。CT由于其分辨率高、成像速度快、且对出血敏感性高,成为脑出血检查的首选方式。尽管CT在脑出血检查中有明显的成像优势,但是在诊断过程中仍然存在一些问题:（1）高辐射剂量的CT扫描会使患者面临致癌的风险,而降低剂量会导致重建图像质量较差,影响脑出血诊断的准确性。目前已经提出了一些先进的低剂量重建算法,但是这些算法各有优缺点且缺少在特定任务下的性能分析,使得这些算法很难快速有效地向脑出血诊断任务中推广。（2）随着CT的广泛使用,临床医生的阅片时间也在急剧增加,不能为脑出血患者提供及时的临床帮助。一些基于深度学习的分类模型被提出用于识别脑出血,然而这些模型的训练依赖于大量精细标注的数据。实际上,由于临床医生之间的经验存在差异,对脑出血CT图像的判读也会出现不同,不可避免会出现标注错误的数据。这些标注错误的数据即含噪标签数据会显著降低模型的泛化性能。为了解决上述问题,本文对脑出血CT图像重建算法进行了性能分析及对脑出血识别方法进行了研究。具体为:（1）为了在脑出血诊断任务中推广低剂量重建算法,本文开展了多类脑出血CT图像重建算法性能分析工作。首先对不同剂量水平下的投影数据分别采用FBP、PWLS-TV、NLM、BM3D、REDCNN、FBPConvNet和IRLNet算法进行重建,然后通过比较7种算法重建图像与常规剂量图像的脑出血检测结果,分析不同重建算法的性能。结果表明,降低剂量会降低脑出血的诊断性能,且剂量越低性能越差。重建算法能抑制图像噪声,提升脑出血检测性能。其中,IRLNet算法相对其他算法的性能提升最高,具有较好的鲁棒性。临床中选择合适的剂量和算法组合能在大幅度降低辐射剂量的同时保证脑出血诊断性能。（2）针对含噪标签数据会破坏深度学习模型性能这个问题,本文基于数据重加权策略提出了 MI2-Net模型。具体地,MI2-Net模型由分类网络和权重函数网络两部分组成,分类网路主要用于脑出血的分类,而权重函数网络主要是对含噪标签的训练数据分配权重。在训练的过程中,分类网络和权重函数网络以一种在线学习的优化方式同时进行参数的更新。结果表明,在不同的标签损坏率下,MI2-Net模型都能够取得优于对比方法的结果,证明了 MI2-Net模型可以自适应地抑制具有极大损失值且标签含噪数据的影响,在脑出血识别任务上具有更鲁棒的性能。