随着医用CT的广泛使用,许多病人从CT扫描中获益良多。然而过量的X射线辐射会增加患者癌症和遗传疾病的患病风险,在临床医学中,应尽可能减少辐射,同时确保可接受的诊断准确性,于是低剂量CT扫描应运而生。然而,辐射剂量的降低往往会导致重建图像中的斑纹噪声和非平稳条纹伪影增大,导致图像质量下降,影响临床诊断。为了提高图像质量,低剂量CT图像去噪已成为医学成像领域的一个重要研究方向。许多算法被开发出来改进低剂量CT图像。本文研究了生成对抗网络在低剂量CT图像去噪领域的应用,基于生成对抗网络提出三种低剂量CT图像去噪方法,主要研究工作和成果如下:（1）提出了一种基于子空间投影的低剂量CT图像去噪方法。针对传统卷积方法在建模CT图像中的全局结构信息时效率较低,设计一个子空间投影生成对抗网络去噪模型,该模型将子空间投影去噪网络作为生成器,与鉴别器对抗训练,子空间投影网络通过基向量生成和投影操作将噪声图像在子空间中重建清晰图像,投影操作自然地将全局结构信息引入去噪过程中。同时使用对抗损失和传统损失来联合优化网络,让重建图像更加清晰真实。进一步提出一种合成噪声去噪自监督学习方法,通过表征学习不仅增加模型的鲁棒性,同时加快收敛速度。在公开CT数据集上的实验结果表明所提出的低剂量CT图像去噪算法,可以在有效抑制噪声的同时保留清晰的边缘和结构,减少图像模糊,对于弱纹理区域,相比常规卷积方法有着更好的修复效果。（2）提出一种结合感知损失的双重对抗网络去噪模型来解决CT图像去噪问题。双重对抗网络包含两个生成器,从图像去噪和噪声生成两个角度对干净-噪声图像对联合分布进行建模,去噪器和噪声生成器联合学习相互指导从而实现更好的去噪效果。并设计一种Res-Unet残差学习网络来实现去噪和噪声生成任务,残差块的引入能让网络保留更多的图像细节。同时为了让去噪效果更符合人眼视觉认知,提出一种加权混合损失函数来优化网络,它包括对抗损失、感知损失和最小绝对偏差损失的混合损失。在此过程中,为了更好计算感知损失,提出一种掩膜自监督方法训练一个针对CT图像域的感知损失模型。实验证明,所提出的去噪模型在针对低剂量CT图像修复时,可以较好的抑制噪声,并能极大保留图像边缘轮廓和纹理细节。（3）提出了一种基于图像域变换的无监督低剂量CT图像去噪算法。对于未配对的CT数据集,监督的方法无法训练出有效的去噪模型。而目前的非监督CT图像去噪方法未取得良好的去噪结果。为此,提出了一种无监督低剂量CT图像去噪方法,该方法基于域变换框架实现。通过解分离表征学习来实现去噪。具体来说,通过解分离表示将低剂量CT图像中的清晰图像信息和和噪声信息分开表征,通过交叉变换对联合分布进行建模,并以此来重建清晰无噪声图像。同时为了保证从低剂量CT图像到正常剂量CT图像变换后不会丢失细节和背景偏移,使用循环一致性约束和对抗域约束以及背景语义一致性约束来优化网络。实验结果表明,与其他无监督算法相比,本算法能更有效地抑制噪声和条形伪影,去噪后的图像更符合真实正常剂量图像。