计算机断层扫描（Computer Tomograpghy,CT）作为临床上常用的成像手法,具有扫描快,图像清晰的优点,但是标准剂量的CT扫描中所携带的电离辐射对人体的影响不可忽视,这也导致目前低剂量的CT扫描越来越流行。低剂量CT电离辐射会小于标准剂量CT,但是其中所包含的噪声会较大的影响医生的判断。因此本课题所研究的内容就是使用深度学习技术来降低低剂量CT中所包含的噪声。本文主要的研究工作有以下几点:首先,本文提出了一种基于多种注意力机制的噪声提取方法,该方法可以更好的从低剂量CT图像中寻找到噪声分布的先验信息,这对后续生成图像来说是一个非常重要的环节。实验表明如果使用普通的卷积神经网络对噪声分布的提取效果并不理想,所以网络中加入了空间注意力,通道注意力以及尺度注意力三种模块。实验表明本方法可以更好的提取噪声分布的信息。其次,对于感知损失的计算方式,本文通过使用重新训练的自编码器网络来对本课题使用到的数据集中标准剂量的CT图像进行的特征提取,实验表明这种网络可以指导网络生成更好的最终图像。最终,基于前面提到的两种网络模块以及基于改进的生成式对抗网络,本文提出了一个低剂量CT降噪的最终网络结构,在改进后的生成式对抗网络中的的生成器中加入噪声提取模块,并且在生成器损失中加入基于自编码器的编码器部分的感知损失,通过实验结果验证可知,本实验结果具有不错的性能。