毋庸置疑,医学CT（Computed Tomography）对病患者的临床诊断日益发挥了重要的作用。特别是,此次2020年之初发生的新冠肺炎疫情之肺部诊断,医学CT图像乃是评判病人肺部是否遭遇新冠肺炎感染或康复的重要手段之一。诚然,医学CT可以为精准医疗、智慧医疗提供有力的支撑,但其使用了伴随辐射的X射线,难以避免对人体具有一定的伤害,甚或过量吸收X射线引发罹患癌症的风险。因此,一直以来如何在确保CT图像质量的前提下,尽可能减少X射线的剂量是人们孜孜以求的研究课题。这主要源于降低X射线剂量或减少CT成像扫描时间往往会增加CT图像的噪声,造成CT图像降质,进而影响医学临床诊断的准确性或可靠性,所以开展CT影像降噪研究工作成为了CT图像重建后图像处理与分析的一个非常关键的科学技术问题。本论文研究工作依托于国家自然科学基金青年项目（项目编号:61401049）和重庆市重点产业共性关键技术创新专项项目（项目编号:cstc2015zdcy-ztzx0072）,研究期间本人在一家制造医疗CT设备单位——上海一影信息科技有限公司进行联合培养完成研究工作（专业硕士）。论文在广泛调研、深入分析国内外文献基础上,研究了一种基于卷积神经网络的医学锥形束三维CT（Cone Beam CT,CBCT）图像降噪技术方法。本文通过对螺旋CT和CBCT基本原理、结构组成及成像算法的对比分析,明确了CBCT图像噪声的来源与特性。以此为基础,本文设计了一种基于卷积神经网络的CBCT图像降噪网络,简称为PCDnet。在网络框架的选取上采用了VGG网络构架,删除了其池化层,并对其参数进行了相应调整,有效避免了BM3D等经典算法在概率学习和推断过程中的计算困难,大大降低了算法复杂度。特别地,本文采用特征相似度（FSIM）与均方差（MSE）相结合的损失函数。为验证该网络的有效性,设计了包含石膏头模CBCT图像和七组临床真人CBCT图像的训练数据集。考虑到计算资源的局限性,文中将数据集切块为80×80大小的图像块,同时采取了较为流行的数据增强方式对数据集进行相应扩充。实验结果表明,本文模型在抑制CBCT图像噪声的同时不引入新的噪声,既实现了对CT图像整体特征的识别又保留了CT图像处理时的细节信息,相比BM3D、Dn CNN等经典降噪算法,PCDnet降噪效果无论在主观视觉评价还是PSNR、FSIM等客观评价指标方面均有较大优势,验证了本文算法的有效性、鲁棒性和泛化能力。