目的:基于胸部模体探讨不同强度深度学习重建算法（DLIR）对低剂量CT图像上肺结节显示及测量的影响。方法:采用包括纵隔、支气管血管束、软组织及骨骼的成年男性胸部仿真模型，内置直径（体积）为5 mm（66 mm~3）、8 mm（268 mm~3）和10 mm（523 mm~3）的实性结节（SN）及磨玻璃结节（GGN）,对其进行低剂量CT扫描(100 kVp、40 mA,CTDIVOI=0.84 mGy),采用标准卷积核的自适应统计迭代重建算法（ASIR-V）及中档（DLIR-M）和高档（DLIR-H）深度学习重建算法分别进行图像重建。在肺组织内放置ROI（面积100 mm~2）测量肺组织CT值的标准差（SD）作为肺组织噪声(N肺组织)。选用肺结节CT影像辅助检测系统自动计算得到10 mm SN及10 mm GGN CT值的SD(即N结节)。计算3组图像上肺组织以及直径10 mm的SN和GGN的信噪比（SNR）及对比噪声比（CNR）,以及所有结节的CT值和体积及其偏差度。对各组图像上肺组织及所有结节的噪声、支气管血管束的锐利度、SN和GGN的显示情况进行主观评价。结果:（1）在3组图像上，DLIR-H的肺组织、SN和GGN的噪声均为最低，肺组织的SNR、SN和GGN的SNR和CNR均为最高（P均＜0.05）,肺组织、SN和GGN显示情况的主观评分为最高（P均＜0.001）。（2）三组图像上，三种直径SN的平均CT值偏差度的总体差异均无统计学意义（P均＞0.05）,三种直径GGN的平均CT值偏差度的总体差异均有统计学意义（P均＜0.001）;对于直径10 mm及5 mm的GGN,DLIR-M和DLIR-H图像上测得的平均CT值偏差度均小于ASIR-V（P均＜0.001）,DLIR-M和DLIR-H图像上测得的平均CT值偏差度的差异无统计学意义（P＞0.05）;对于直径8 mm的GGN,ASIR-V图像测得的平均CT值偏差度均小于DLIR-M、DLIR-H图像（P均＜0.001）,而DLIR-M与DLIR-H图像上测得的此指标值的差异无统计学意义（P=0.535）。（3）三组重建图像上测得10 mm、8 mm直径的SN及GGN体积偏差度的总体差异均无统计学意义（P均＞0.05）;对于直径5 mm的SN,ASIR-V与DLIR-M组间、DLIR-M与DLIR-H组间均无统计学差异（P均＞0.05）,ASIR-V图像测得偏差度小于DLIR-H（P=0.020）;对于直径5 mm GGN,在DLIR-M、DLIR-H图像上测得的体积偏差度均较ASIR-V图像更小（P均＜0.05）,而DLIR-M、DLIR-H图像间偏差度的总体差异无统计学意义（P=0.476）。（4）主观评价结果：三组重建图像上肺组织噪声评分的总体差异具有统计学意义（H=15.58,P＜0.001）,在DLIR-H图像上该指标评分高于ASIR-V和DLIR-M图像（P＜0.05）,而ASIR-V与DLIR-M图像之间该指标评分的总体差异无统计学意义（P=0.849）;三组重建图像的支气管血管束锐利度以及SN和GGN可见度主观评分的总体差异均无统计学意义（P均＞0.05）。结论:低剂量下DLIR图像对结节CT值和体积的测量及显示情况与ASIR-V算法相当，而且在DLIR-M和DLIR-H图像上测得的5 mm GGN的平均CT值及体积更准确。对于肺结节的低剂量CT筛查及随访，采用深度学习重建算法是值得推荐的。