具有移位不变性的卷积稀疏编码（Convolutional Sparse Coding,CSC）因其字典的特殊结构这几年来被学者广泛应用到信号、图像处理各领域中。卷积稀疏编码算法通过交替迭代训练,利用所训练的滤波器以及滤波器对应的特征响应以卷积求和的方式完成对原始输入的线性逼近过程,其中Vardan所提出的卷积字典学习算法（Slice Based Dictionary Learning,S-BCSC）是最为经典的卷积稀疏编码算法。该算法不再借助傅里叶域进行优化求解,而是结合传统稀疏表示算法进行优化求解。S-BCSC算法虽然有效,但是该算法在应用中只训练一个固定大小的字典,没有考虑到字典大小是否会因为受测图像不同而改变的问题。为进一步提升卷积稀疏编码模型去噪效果,Dror提出卷积稀疏编码网络模型（Convolutional Sparse Coding Network,CSCNet）,该模型采用MMSE算法完成近似逼近并在卷积稀疏编码模型中加入了卷积步长。CSCNet模型虽然能有效解决图像去噪问题,但是没有考虑到在迭代求解近似编码向量过程中卷积层、反卷积的叠加会改变原始数据分布方式的问题,从而影响最终去噪效果。本文在卷积稀疏编码模型基础上,结合稀疏表示以及深度学习中常用的算法,以提升模型图像去噪效果为目的提出了三种新算法。（1）S-BCSC算法不再依赖傅里叶域进行优化求解,相比同类卷积稀疏编码算法收敛速度较快,但是该算法在应用中训练字典时没有考虑到受测图像本身是否会影响卷积字典的问题。传统稀疏表示算法在应用过程中将图像整体分为若干过冗余图像块,然后再相互独立地处理每一个图像块,但这样一来该模型最终仅得到局部最优解而非全局最优。卷积稀疏编码是从图像整体角度求解全局模型,S-BCSC算法是从局部角度来求解全局模型,导致对于图像局部信息的处理反而没有传统稀疏表示算法好。本文第一部分内容,以S-BCSC算法作为基础并结合稀疏表示算法以及受测图像大小,提出改进后的S-BCSC算法（MS-BCSC）。MS-BCSC算法能够根据测试图像大小找到适合图像自身的卷积字典大小,相比S-BCSC算法去噪效果有所提升。（2）与传统稀疏表示算法类似,S-BCSC算法也是只训练一个固定原子大小的字典,然而只训练一个固定原子大小的字典有时并不能有效描述图像中某些局部细节。为进一步提升稀疏表示算法去噪效果,Jia提出具有自适应原子大小的字典学习算法（Grouped Dictionaries with Adaptive Atom Sizes,GDw AAS）。GDw AAS算法可以按照图像平滑、纹理、边缘特征分别训练不同原子大小的字典,从而能够弥补原始算法对图像局部信息描述不充分的不足。文中第二部分以S-BCSC算法为基础,借鉴GDw AAS算法并结合MS-BCSC算法,提出分组训练卷积字典的图像去噪算法（Group Slice-Based Dictionary Learning,GS-BCSC）。GS-BCSC可以根据图像大小、噪声程度、图像平滑、纹理、边缘特征训练不同卷积字典,该算法与原始S-BCSC算法相比最终所得图像质量、清晰度都有所提升。（3）为有效解决CSC算法图像去噪问题,Dror提出CSCNet模型。CSCNet模型是以近似卷积稀疏编码模型为基础,使用MMSE算法代替传统近似逼近方法,并在CSC模型中加入了卷积步长。CSCNet模型虽然非常有效,但是该模型没有考虑到在迭代求解近似编码向量过程中卷积层与反卷积层叠加会改变原始数据的分布方式。文中以提高模型去噪效果为目的,尝试在卷积稀疏编码网络模型中加入Batch Normalization、Relu函数、基础残差块结构。在不大幅度增加CSCNet模型计算负担的前提下,改进后的模型相比原模型去噪效果略有提升。