目的 为提高无配对参考图像的出血性脑卒中CT的图像质量，提出一种基于改进Wasserstein生成对抗网络(Wasserstein generative adversarial network, W-GAN)的CT图像去噪算法。方法 以W-GAN网络为框架，在生成器部分引入视觉几何组(visual geometry group, VGG)网络计算感知损失模块，并在鉴别器部分加入自注意力机制和谱归一化卷积对模型进行改进，对输入的低剂量CT数据进行去噪，得到接近标准剂量的图像。随后对无配对参考图像的出血性脑卒中数据用训练完成的模型进行迁移学习，并对最终得到的图像分别使用全变分(total variation, TV)、无参考图像空间域质量评估(blind/referenceless image spatial quality evaluator, BRISQUE)和对比语言-图像预训练模型图像质量评估(contrastive language-image pre-training image quality assessment, CLIP-IQA)3种无参考图像质量评估方式进行评估。结果 在TV、BRISQUE和CLIP-IQA 3种无参考图像质量评估指标上相对于输入提升分别为0.016 5、0.127 2、0.007。结论 本文提出的改进W-GAN网络模型可以用于出血性脑卒中低剂量CT图像去噪的迁移学习任务，并取得良好的性能提升，为辅助医师诊断出血性脑卒中提供了一种可能的工具。