目的 探讨胸部超低剂量CT扫描条件下滤波反投影、自适应统计迭代重建、深度学习图像重建（DLIR）等不同重建算法对人工智能影像辅助肺炎定量分析（uAI-Discover-NCP）和图像质量的影响。方法 纳入陕西中医药大学附属医院2023年7月～2023年12月就诊的43例肺炎复查患者，采用个性化超低剂量CT扫描，原始数据分别采用滤波反投影、40%强度的自适应统计迭代重建、不同强度DLIR(DLIR-M、DLIR-H)、在DLIR-H处理上叠加E2的边缘强化（DLIR-H+E2）重建图像，共获得5组图像。测量5组图像空气、肺组织、胸主动脉、左肩胛下肌、胸10椎体的CT值、噪声值，计算信噪比。2位医师对5组图像肺整体质量及肺炎显示进行5分制主观评分。将图像导入CT影像辅助肺炎定量分析软件进行独立分析，记录肺炎指数、肺炎体积及肺炎体积百分比、肺炎质量及肺炎质量百分比。采用重复测量方差分析或Friedman秩和检验比较各组定量参数及主观评分的差异。结果 5组图像在肺实质、胸主动脉、左肩胛下肌、胸10椎体组织CT值差异均无统计学意义（P>0.05）；而各组织噪声及信噪比的总体差异均有统计学意义（P<0.05），其中DLIR-H组的图像噪声最低、信噪比最高，与其他4组相比，差异均有统计学意义（P<0.05）。2位医师对各组图像的主观评分一致性高（Kappa=0.811～0.894）,5组图像的整体图像质量、肺炎显示评分总体差异有统计学意义（P<0.001）,DLIR-H与DLIR-H+E2组整体图像质量、肺炎显示主观评分最高，组间差异无统计学意义（P>0.05）。5个肺炎定量参数（肺炎指数、肺炎体积及肺炎体积百分比、肺炎质量及肺炎质量百分比）组间总体差异均无统计学意义（P>0.05）。结论 超低剂量扫描条件下，影像辅助肺炎定量分析结果不受重建算法的影响。与滤波反投影、自适应统计迭代重建40%相比，高强度深度学习图像重建能显著降低图像噪声、明显提升图像质量，在临床诊断有较大的优势。