超声成像技术由于其便捷性,无创性和无电离辐射等多种优点在医学影像诊断领域中受到广大的欢迎,为医生通过医学临床检查,初步掌握病人病情和病灶,提供了极大的帮助。然而,由于超声成像原理的特性和超声探头仪器的限制,得到的超声图像往往会含有大量伪影和散斑噪声,导致超声成像中组织结构和纹理细节遭到破坏,这些不良特性都影响了医生对病情的诊断,严重的甚至增加了误诊的概率。因此,对超声图像进行合适的去噪处理是十分必要的。针对超声图像的特点,本文提出了一种基于感知损失的生成对抗网络去噪算法来对超声图像进行去噪,具体的工作如下:（1）由于超声图像与自然图像中的噪声存在较大差异,本文首先对超声图像中的噪声类型和性质进行分析,超声图像的伪影和散斑噪声属于一种与图像结构正相关的乘性噪声模型,相较于自然图像中的加性噪声更难去除。而基于先验统计的传统超声去噪方法的去噪结果存在图像结构过于平滑,纹理细节丢失等问题,因此本文分别使用了基于深度残差的卷积神经网络和循环生成对抗去噪网络对超声图像进行去噪。实验结果表明,基于深度学习的卷积神经网络能在尽可能去除散斑噪声的同时,保留了原超声图像的纹理特征和结构,并且整体组织结构上不会出现平滑的现象。（2）然而,在临床环境下超声图像很难获得配对的训练集,同时由于医学图像的特殊性,必须保证去噪后的图像中原有的细微结构不能遭到较大的破坏,并且不能生成人工特征。因此本文通过在基于无监督学习的生成对抗网络的框架上进行改进,并且结合了感知损失来提高卷积网络对超声图像独特的纹理和结构信息的学习能力,进一步提升了网络的去噪效果。实验结果表明,在客观评价指标上,基于感知损失的生成对抗去噪网络的去噪指标十分接近有监督学习的Res Net,并且超过同为无监督学习的Cycle GAN。更重要的是,在主观去噪评价上,经过专业超声影像科医生的判断,本文提出的方法所得到的结果在超声纹理特征和组织结构保留都得到最优秀的评价,并且清晰地突出了超声图像中病灶如囊肿的位置和形态,具有更高的医学应用价值。