在低剂量CT图像质量改善问题中,存在去噪算法的定量指标和定性指标不匹配的问题。在医学成像中,一次CT扫描的X射线辐射量远高于常规X光成像。减少X射线辐射量最常用方法之一是降低X射线管的工作电压或电流,但是该方法会导致大量的量子噪声,使图像质量下降,从而影响患者的病情的判断。因此消除或抑制低剂量CT图像的噪声,改善图像质量成为研究的热点。近年来,研究者们提出了许多经典的机器学习算法以及深度学习方法来尝试提高重建的CT图像的质量。深度学习方法相比机器学习算法,在定量和定性指标上都取得了更好的实验效果,但是存在定性和定量指标不匹配的问题。为此,本文提出了一种感知损失和注意力机制的低剂量CT协同去噪网络。该协同网络能够在保证视觉效果的基础上明显改善现有方法定量指标低的问题。我们在网络输入端还引入8方向的边缘检测层,优化了原有的4方向边缘检测层。优化后的网络可提取更丰富的纹理与结构信息,进一步提升了网络效果。基于体模数据集和真实临床数据集的实验对比结果表明,提出的方法相比主流工作,在主观视觉感受和客观指标PSNR、SSIM指标上,均有更优异表现;相比一般基于感知损失的神经网络,更进一步解决了在低剂量CT去噪问题中,定性和定量指标不匹配的问题。本文的主要贡献包括以下几点:（1）为了体现一般深度网络对于低剂量CT降噪工作的有效性,分析对比了传统机器学习方法和一般卷积神经网络在低剂量CT去噪的实验结果。分析对比了机器学习算法TV、KSVD、BM3D,和一个根据SRCNN网络改造了一个低剂量CT去噪网络。对上述网络使用体膜数据集进行实验,得到了实验后CT图片的PSNR值。实验结果表明,一般深度网络在提升定量指标的实验上有效。（2）优化边缘检测层,提高了深度网络对于低剂量去噪工作的效果。将8方向Sobel梯度算子应用在基于感知损失和边缘检测层的低剂量CT去噪网络的边缘检测层上,得到了基于感知损失和8方向Sobel梯度算子边缘检测的低剂量CT去噪网络。网络可以提取更多的梯度细节特征。基于体膜数据集和临床数据集的图像质量改善实验的定量与定性评价结果表明,我们优化边缘检测层的工作对于提升网络的定量和定性实验效果是有效的。（3）提出了协同感知损失和注意力机制的网络改善低剂量CT图像质量,有效解决了定性和定量指标不匹配的问题。工作主要是在基于感知损失和边缘检测层的低剂量CT去噪网络中引入4个多通道注意力机制模块,从而获得协同感知损失和注意力机制的低剂量CT去噪网络。然后,基于体膜数据集和临床数据集,分别在4方向和8方向感知损失网络上引入相同的多通道注意力机制进行相关实验。最后实验的定性和定量结果表明,协同多通道注意力机制和感知损失的低剂量CT去噪网络对于解决低剂量CT降噪工作中的定性和定量指标不匹配问题有效。