计算机断层扫描（CT）是一种多功能、高分辨率的成像方式,它能够得到人体不同部位和器官的横断面图像。自1973年第一台断层扫描机问世以来,CT对于改变临床诊断的面貌具有非常重大的意义,被越来越多地应用于筛查和诊断。考虑到正常剂量CT辐射会带来与导致遗传损伤和增加患癌概率有关的潜在健康风险,采用降低管电流的方法来降低辐射剂量。然而低剂量CT扫描会在重建图像中增加大量噪声和伪影,这会严重影响诊断精度。传统的低剂量CT图像处理方法包括重建前的投影域滤波、迭代重建和重建后的图像处理。但这些处理方法还存在计算量大、分辨率损失、边缘模糊、过度平滑等问题。近年来神经网络的爆炸性发展使得基于深度学习的方法在医疗成像领域拥有巨大潜力。在低剂量CT影像降噪方面,深度学习的应用非常广泛,具有显着的性能增益,取得了很多突破性成果,在降噪图像质量、影像处理时间、兼容性等方面远胜于传统处理方法。为了降低低剂量CT扫描所带来的噪声和伪影,并在提升降噪效果的同时保证CT图像的主观视觉效果可以达到医生临床诊断的水平,本文提出一种基于混合损失的生成对抗网络低剂量CT影像降噪算法。本算法旨在将保存更丰富超分辨细节的感知损失和降噪性能突出的MSE损失混合,并融合进生成对抗网络,使得整个网络的保存纹理能力和降噪性能得到提升,突破低剂量CT影像降噪中难以平衡降噪效果与纹理细节保存的瓶颈。通过在人体模型数据和真实人体数据两个数据集上进行了训练、测试、对比实验,结果表明本文所用模型的可行性,降噪性能提升,主观视觉效果良好,并得出最优混合损失的权重。为了解决生成对抗网络满足局部约束后会使目标搜索空间变窄并产生次优解,导致去噪效果不理想的问题,引入Wasserstein散度使得网络的参数不再受到约束,得到整个函数空间中的最优解,达到最佳的去噪效果,并将Wasserstein散度与混合损失相结合得到最优模型WGAN-DH,使得整个网络的保存纹理能力和降噪性能得到进一步提升。在人体模型数据和真实人体数据两个数据集上进行了多模型的训练、测试、对比实验,结果表明本文最终模型WGAN-DH的可行性,降噪性能大幅提升,主观视觉效果最好。