近年来,Micro-CT发展迅速,应用广泛,在生物医学、材料科学、工业检测等重要领域都有研究。而由于设备功率和辐射剂量等限制,Micro-CT图像往往包含噪声,造成图像质量退化,从而阻碍了基于优质Micro-CT重建的高级应用。因此,开发一种有效的算法抑制甚至消除Micro-CT重建过程中的噪声干扰至关重要。Micro-CT图像的噪声水平与扫描样本、扫描参数、硬件属性等诸多因素有关,优异的噪声抑制算法应该在不同噪声水平下都有不错的性能。基于优化的迭代重建算法通常作为改善Micro-CT图像质量的“金标准”,但迭代重建固有的调参难、计算复杂、重建速度慢等缺点限制了其广泛应用。近年来,深度学习特别是卷积神经网络技术在包含了医学图像分析与处理方向的众多领域都取得了优异的表现。初步研究已表明,其在临床低剂量CT图像处理上相比于传统方法性能更好、处理速度更快,在降低Micro-CT图像噪声水平改善图像质量方面具有巨大的应用潜力。此外,生成对抗网络在恢复图像细节上有着比卷积神经网络更好的效果。本论文首先对普通卷积网络和生成对抗网络在自然图像上降噪的表现和特点进行研究与分析,并将相关经验应用于指导构建低剂量Micro-CT成像网络。针对Micro-CT数据噪声水平的不确定性,本论文首先探究并分析了卷积神经网络的盲降噪性能,噪声类型为Micro-CT成像过程中难以避免的高斯噪声和泊松噪声。本论文先后提出基于普通卷积神经网络的Dn Res Net与基于生成对抗网络的Dn WGAN用以处理不同类型和水平的噪声。实验结果表明,Dn Res Net对高斯噪声具有更好的抑制性能,而Dn WGAN处理泊松噪声的效果更好。受限于放射源的功率,低噪声的Micro-CT数据难以获取,针对这一问题,本文提出了一种新颖的扫描方式,可有效获取低噪声水平的Micro-CT数据,作为神经网络训练的参考数据。为有效抑制低剂量Micro-CT断层图像中的噪声与伪影,本研究结合MicroCT的成像原理,提出了双域渐进式的低剂量Micro-CT图像处理方法,分别在解析重建前后对小鼠的Micro-CT数据进行两次处理。采用主观视觉观察和客观指标量化相结合的方式对实验结果进行了全面评估。结果表明,相比于传统的低剂量Micro-CT处理方法,双域渐进式方法在噪声与伪影抑制、特征恢复和处理速度上都表现出明显的优势,可以有效提升Micro-CT的图像质量,对进一步的基于优质Micro-CT成像的高级应用如检测、分割以及三维可视化等具有重要的积极意义。此外,本文还对生成对抗网络在双域渐进式Micro-CT图像处理中的优势与限制进行了分析,为算法的进一步改进和相关领域的进一步发展提供了理论指导。