针对神经网络训练存在解释能力差以及不稳定问题，提出一种基于CP （Chambolle-Pock）算法求解的全变分（TV）正则项展开去噪网络（CPTV-Net），用于解决低剂量计算机断层扫描（LDCT）图像去噪问题。首先，向L1正则项模型引入TV约束项，以保留图像的结构信息；其次，采用CP算法对去噪模型进行求解并得出具体迭代步骤，保证算法的收敛性；最后，借助浅层卷积神经网络学习线性操作的原始对偶变量迭代公式，用神经网络计算模型的解，并通过收集网络参数优化合并数据。在模拟和真实LDCT数据集上的实验结果表明，与残差编码器-解码器卷积神经网络（REDCNN）、TED-Net（Transformer Encoder-decoder Dilation Network）等五种先进的去噪方法相比，CPTV-Net具有较优的峰值信噪比（PSNR）、结构相似度（SSIM）和视觉信息保真度（VIF）评估值，能生成去噪效果明显和细节保留最为完整的LDCT图像。
