计算机断层扫描（CT）技术是一种被广泛应用于临床,工业和其他领域的成像方法,是现代临床医学影像诊断的常用方法之一。然而,扫描过程中过多的射线辐射会带来潜在的健康风险。一般来说,有两种方法可以减少辐射剂量:降低管电流和减少X射线管的曝光时间,尽管上述两种方法都可以有效地减少辐射剂量,但是会导致重建的CT图像质量较差（如斑点噪声和条纹伪影）,影响临床医学诊断的准确性。现有许多用于提高CT图像质量的方法,其中图像后处理方法由于不依赖原始的投影数据（原始的CT投影数据难以获取）成为研究的热点。现有的基于低剂量CT的图像后处理方法已经取得了一定的成功,然而由于CT图像噪声复杂且分布不均匀,如何有效的在去除CT图像噪声的同时避免去噪后图像细节丢失、图像模糊以及过度平滑等问题仍然值得探究。基于以上研究,本文提出了以下两种基于深度学习的图像后处理方法以进一步提高低剂量CT图像去噪的性能,主要工作如下:1.提出了一种自适应自引导小波卷积神经网络（ASWCNN）用于低剂量CT图像去噪。在ASWCNN中,首先结合小波变换和亚像素卷积,提出了一种自顶向下的自引导结构用于改变特征图片的大小。其次,提出可调节金字塔残差块（APRB）和跨纬度混合注意块（CMAB）,自适应地提取特征图片多尺度和多样性的特征信息并通过注意力机制增强有用的特征信息并抑制无用信息。最后,提出了将像素级损失,结构感知损失和梯度损失相结合的复合损失尽可能的将低剂量CT图像转换为正常剂量CT图像。在Mayo Cclinic data公开数据集上进行实验,结果表明该去噪网络在去除低剂量CT图像的噪声伪影的同时能有效的保留CT图像的结构和纹理信息。2.提出了一种用于低剂量CT图像去噪的多级卷积神经网络（MSCNN）。第一阶段是基于小波变换的干净CT特征初步提取网络,首先通过多级小波分解得到包含大量噪声信息的高频分量特征图,其次通过之前提出的可调节金字塔残差块对其噪声信息进行充分提取,最后使用残差思想通过低剂量CT特征图减去提取的噪声信息特征图初步得到包含大量的干净CT特征信息的特征图。网络的第二阶段提出了一种用于去噪的去噪注意力卷积神经网络,首先将原始的低剂量CT图像特征和第一阶段初步提取的干净的CT特征通过我们提出的跨纬度混合注意块连接起来,并改进了经典的RED-CNN去噪结构对其进行去噪。同时用一种重新训练的自编码神经网络代替预训练的VGG网络用于感知损失的计算。在Mayo Cclinic data公开数据集上进行实验,结果表明提出的网络结构获得了较好的度量和视觉评价,且该方法比其他方法相比具有更好的性能。