CT（Computed Tomography）技术已经成为使用频率最高的医学检测手段之一。CT成像过程产生的辐射会对人体产生不可避免的危害。因此,低辐射剂量的CT成像技术被逐渐发展和推广。然而,辐射剂量的降低会产生噪声的干扰,导致CT图像的质量显著下降,进而影响医生的诊断。为此,面向低剂量CT图像的降噪方法被提出,旨在实现低剂量CT图像的噪声移除,得到较高质量的CT图像。目前,基于深度学习的低剂量CT图像降噪方法由于其卓越地降噪效果成为了主流方法。这些方法通常利用仿真的低/正常剂量的CT图像对,搭建基于深度卷积神经网络的模型进行监督学习。本文针对现有基于深度学习的低剂量CT图像的存在的严重依赖仿真数据集、下游任务（如病灶检测）脱节和模型可解释性差等问题展开深入研究,主要创新点如下:1.创新性提出基于噪声学习的无监督低剂量CT图像降噪新框架。现有方法大多严重依赖仿真的成对低/正常剂量CT数据集,提出一种无监督低剂量CT图像降噪方法;提出低剂量CT图像噪声学习技术,旨提取CT图像的真实噪声并扩充样本;利用丰富易得的正常剂量CT数据集和学习到的噪声样本,构建配对数据集。该方法能学习CT图像的真实噪声,可较好地克服基于仿真数据集噪声模式单一的缺点。2.创新性提出将低剂量CT图像降噪与下游高阶任务关联的新架构。现有方法大多忽略下游的高阶任务,本文提出利用一个联合的损失函数将上下游任务进行有效地连接。利用病灶检测任务关注的感兴趣区域,提出了一种基于感兴趣区域的感知损失,用于降噪效果的评价和损失计算,使降噪过程充分考虑下游的病灶检测效果。针对降噪模型与病灶检测模型训练的不适配问题,提出一种协同训练的策略。3.首次提出基于医生阅片行为启发的低剂量CT降噪模型。针对现有的基于深度卷积神经网络模型偏重局部信息忽略非局部信息的问题,通过总结放射科医生阅片的流程,将医生对非局部信息、局部信息、切片间信息的综合考虑行为抽象为模型表征。创新性的引入了图卷积神经网络用于非局部信息和切片间信息的提取;同时将传统卷积操作提取的局部信息与上述两者信息进行有机融合,实现综合考虑非局部和局部信息的降噪模式,提升降噪过程的可解释性。