随着医学影像技术的不断发展,计算机断层扫描（X-CT）已经成为目前临床诊断使用最广泛的成像方式之一。影像采集时X射线产生的电离辐射会对人体造成严重危害,为了解决这个问题,低剂量CT应运而生。辐射剂量的减少不可避免地引入了更多的噪声与伪影,造成图像质量的下降,影响医生对病情的判断。近年来,运用深度学习方法对低剂量CT去噪进行研究,成为医学影像领域的一项重点课题,本文对基于生成对抗网络的低剂量CT图像去噪算法展开研究:（1）提出基于深度残差与复合感知损失的低剂量CT图像去噪方法,增强生成对抗网络对细节信息的捕捉能力。从网络结构及损失函数两个方面进行优化:在生成器网络中使用空洞卷积层和堆叠残差模块以优化训练过程、解决梯度消失的问题;在对抗损失函数中引入梯度惩罚机制,将逐像素损失与感知损失加权融合作为内容损失函数,得到一种优化的复合感知损失函数,限制梯度爆炸的情况出现,加快网络收敛速度,同时促使去噪图像在感知上与原图像更接近。实验分析得出:该网络能够抑制低剂量CT图像中大部分噪声与伪影,生成的图像保留了正常剂量CT图像中结构特征的完整性,获得更好的视觉效果,有效验证了改进方法的可行性。（2）为进一步恢复CT图像的纹理细节,提出基于多尺度特征与残差注意力的低剂量CT图像去噪方法,增强生成对抗网络对噪声特征的区分能力。在生成器浅层网络中设置多尺度特征提取模块,以融合图像中不同尺度的信息,增强底层特征的表达能力;在生成器的残差结构内以及判别器的末端嵌入注意力模块,提高网络对噪声与伪影的敏感度,避免在特征提取过程中细节丢失。实验结果表明:该网络生成的去噪图像可获得优秀的图像质量,恢复更多纹理细节,在视觉效果和评价指标上都表现出色,有效验证了改进方法的优势性。