计算机断层成像技术(Computed Tomography,CT)利用X射线来获取物体的内部结构信息。但过强的射线会对患者造成无法挽回的伤害。因此,低剂量CT重建是非常有意义的研究课题。深度学习在计算机视觉领域取得了非常显著的效果,本文将深度学习与CT重建方法结合,分别从后处理,统计迭代,解析重构出发,提出了一种去噪结构和两种重建算法。新方法均能提升低剂量CT重建图像质量。提升低剂量CT图像质量最直接的方式是在图像域对图像进行去噪,经典的去噪算法能够提升CT图像质量,但容易出现伪影和阶梯效应等问题。一系列卷积去噪网络能够获得更好的去噪效果,但容易出现梯度消失等问题,本文将残差块引入去噪网络,使得网络加深时不易出现梯度消失且具备更好的去噪效果。目前低剂量CT重建算法效果较好的是基于统计迭代的方法,该类方法效果的好坏关键在于正则项的设计,但设计好的正则项往往比较困难。本文从统计迭代的优化目标函数出发,采用PDHG和ADMM优化算法的求解形式,并将其中的迫近算子替换成卷积网络形式的学习算子,并进一步化简为更一般的形式并将迭代展开构成一个串联形式的网络结构。这种结构不仅能够不用显式地给出正则表达式,还能够大幅提升低剂量CT重建图像的质量。解析重构由于速度上的优势在CT重建方面被广泛运用,但重建图像存在信噪比低等问题。本文从FBP(Filtered backprojection)算法出发,分别从滤波函数和插值方式进行考虑,并分别对投影域和图像域进行进一步处理,提出了一种数据驱动的新FBP算法。新的方法只付出了少量的计算代价,但能够将重建图像的质量提升到接近基于统计迭代的方法。本文在仿真数据集和真实数据集上分别进行实验,两个数据集上的实验结果均能表明我们提出的新方法能够有效提升重建图像的质量。