数字图像是大数据时代人类感知与传播信息的重要载体,在数字图像产生与保存的过程中会引入不同程度的噪声,图像质量差会对信息的获取产生很大的影响,使得后续对于图像的处理存在极大的不确定性,阻碍图像处理技术的发展。图像技术在多领域的普遍应用,使得数字图像质量增强技术的研究已经成为图像处理方面十分具有现实意义的内容,图像去噪作为进行图像研究的预处理问题,具有十分深远的意义。图像去噪判别模型由于其良好的去噪性能近年来受到了广泛的关注。生成对抗网络在无监督学习方面具有优秀的生成效果,同时也存在一些缺陷,如梯度消失、训练不稳定易过拟合、难收敛等问题。为了解决上述缺陷,以及传统的降噪方法在图像去噪后破坏重要结构细节的可见性等问题,本文提出了基于Wasserstein生成对抗网络的图像去噪算法,该算法通过添加生成网络的多级卷积来获得更多图像特征,并添加多个残差块和全局残差以提取和学习输入噪声图像的特征,避免特征损失。该算法创新点在于能够非监督地从深层次网络中获取信息来完成图像去噪。在改善传统去噪算法存在的模糊与图像边缘恢复不清晰等缺陷时,结合深度学习进一步提升了图像的去噪效果。本文主要工作如下:（1）引入深度卷积结构将生成对抗网络用于图像去噪处理,同时,本文对深度卷积结构进行改进,将八层残差结构引入生成器,提出Residual-GAN算法进行网络训练,使得图像主要特征在卷积的过程中不会丢失,提高了图像生成的清晰度和真实感。同时,跳跃连接结构避免了网络在训练过程中的梯度消失问题。（2）为了改善Residual-GAN容易出现训练不稳定的问题,结合深度卷积生成对抗网络（DCGAN）与Wasserstein生成对抗网络（WGAN）,使用添加Wasserstein距离的GAN网络代替原始网络,通过Wasserstein距离有效衡量生成分布与原始分布之间的相似程度,调整网络结构及残差块数量,同时引入谱归一化算法,在不改变参数矩阵结构的情况下使网络满足Lipschitz连续性,增强网络训练能力。（3）本文使用对抗损失和特征损失的加权和作为网络的损失函数,首先在BSDS500数据集中随机选取图像进行预处理,再输入对抗网络训练,将待去噪图像输入改进网络生成去噪图像。本文方法将生成图像与原始图像同时输入VGG19网络,采用深度卷积网络提取特征,并计算特征之间的欧氏距离,可以促使获取更多图像细节信息,即使用从特定级别提取的特征来计算目标损失,从而进一步指导生成网络训练,使得去噪图像的纹理细节更加清晰,最后,将该方法应用于CT图像去噪,去噪效果出色。最后通过图像评价指标PSNR和SSIM值来验证去噪效果,去噪后图像的PSNR平均值为30.71dB,SSIM平均值为0.8473,在σ=15,25,50三种噪声等级下,与其他图像去噪方法进行比较,PSNR值分别提高了1.2dB、1.275dB、2.415dB,SSIM值分别提升了 0.125、0.175和0.275。同时也得到了更加清晰的视觉效果,与采用Residual-GAN网络进行去噪的效果相比,实验结果证明,网络训练更加稳定且去噪效果更好。