计算机断层扫描（CT）图像因其成像快和分辨率较高等优点在临床诊断和医疗科学方面有重要应用。然而,X射线辐射积累对被观察体存在潜在风险,并且CT图像会因被观察体、外界环境和成像设备等因素影响而存在噪声,因此低剂量CT（low dose CT,LDCT）图像去噪问题吸引了越来越多学者的关注。医学图像的结构信息对于临床诊断是至关重要的,然而,现有的工作对LDCT图像结构信息的探索相对较少。此外,成对的用于训练的CT图像一般是不容易获取的,仅使用含噪声LDCT图像实现图像去噪的算法值得探究。针对这两个问题,本文提出两个基于卷积神经网络的LDCT图像去噪模型。为了更好地利用LDCT图像的结构特征,本文提出结构增强卷积神经网络（structure-enhanced convolutional neural network）模型（SECNN）,旨在恢复LDCT图像的细节信息和结构信息。SECNN方法使用基于卷积神经网络的模型进行LDCT图像的去噪。其中,SECNN中的跳跃连接可以充分地利用低层次图像特征,更好地保留图像细节;结构损失可以降低过平滑、对比度消失和结构破坏对图像造成的影响,有效地保持图像结构信息。从而,SECNN能够得到高质量的去噪LDCT图像。为了解决成对CT图像获取困难的问题,本文提出不成对LDCT图像去噪卷积神经网络（unpaired LDCT image denoising convolutional neural network）模型（UDCNN）,旨在利用自监督的方式进行LDCT图像去噪问题研究。UDCNN假设噪声图像为信号与噪声之和,并且信号像素间是相互依赖的,而噪声像素间是相互独立的,利用图像的自相似性达到使用单张图像去噪的目的。另外,UDCNN在整张图像中寻找若干个相似图像块协同处理,从而更好地利用图像的相似性信息。