尽管计算机断层扫描（Computed Tomography,CT）给医生诊断带来了所见即所得的支持,但是其高剂量可能带来的健康危害一直受到研究者高度关注。为此,使用低剂量来进行断层成像成为首选的解决办法。然而,放射剂量的降低往往会导致大量噪声的引入,进而影响医生的诊断。因而,如何在降低辐射剂量的同时有效地提高图像质量成为当前CT重建技术研究的重要挑战。一般CT重建涉及到两个域:投影域（Sinogram数据）和图像域。有鉴于此,目前研究者在两个域都有相应的思考。一般来说,Sinogram域旨在从统计学及物理学的角度来求解重建的映射问题,而图像域则是从计算机视觉角度来寻找解决办法。考虑到整个重建过程事实上涉及了投影和图像两个域的信号再处理过程,以往的单域处理存在先天的不足。虽然近两年有研究针对双域进行处理,但由于其映射过程未考虑到信息加工的不对等性,力图采用单一的方法解决复杂问题,由此导致重建结果存在不确定的干扰。事实上,重建技术的出口即是视觉效果的改善。那么,如何构建视觉效果与工具之间的内在联系成为研究的核心问题。本研究以重建具有良好视觉效果的低剂量CT为研究目标,针对目前单域重建所存在的噪声、伪影残留问题以及迭代算法计算消耗较大等局限性,具体做出了如下探索:1、针对单纯采用单尺度卷积方式在Sinogram域进行特征映射往往会导致相关细节丢失的问题,提出一种多感受野残差卷积方法（S-DRN）,用以学习一种针对Sinogram数据的多尺度、非线性映射方法,以期尽可能保留完整的上下文信息。2、目前,多数已有图像域重建方法采用均方差损失函数以期达到全局降噪的效果,然而从实验效果来看却往往矫枉过正（结果过度平滑）,并且即便采用VGG损失函数,也无法避免在结果上引入与目标CT图像无关的特征。究其原因,以上所述损失函数主要考虑了方法迁移的可行性,但是缺乏对于CT数据差异化的考虑。比如,VGG损失函数以自然界的纹理特征为先验知识,显然与CT图像的视觉多样性存在差距。为此,本研究提出了一种与CT纹理特征紧耦合的特征提取网络（FEN）,并融合上述损失函数在全局特征恢复方面的优势,构建了一种可训练权值的融合特征损失函数。3、面向现有神经网络算法由于缺乏对所提取特征全局相关性的考虑而导致所重建结果存在不同程度边缘模糊的问题,本研究提出了一种改进型残差编解码网络（SRED-Net）,即利用自注意力机制来提高特征的全局相关性感知能力,最终达到恢复纹理细节的目的。综上投影域与图像域的创新思考,本研究设计并实现了一种纹理引导的双域映射网络（TADDM-Net）,充分融合了投影域和图像域双域的信息。经在公开的AAPM-Mayo-Clinic数据集验证,实验结果表明,S-DRN能够有效地保留Sinogram信息并去除一定程度的条纹伪影,SRED-Net能够在降噪和纹理还原之间达到良好的平衡。进而,与现有的双域方法进行对比,根据实验结果可以得出结论,本文提出的TADDM-Net在Haralick指标上有大幅提高。且从直观视觉观察,本方法能够较好地保留Sinogram域和图像域双域的有效信息,同时实现纹理最大程度的视觉效果恢复,从而能够更好地满足医生诊断要求。