目前,在计算机视觉的研究和应用领域中,图像去噪仍然是一个热门的研究课题,面临着巨大的挑战。现有的去噪方法大多依赖于图像包含的噪声类型的信息,而这些信息主要依靠有丰富经验的人员来进行手工标注。换句话说,这些方法没有应用计算方法来自动对图像噪声类型进行预分类,无疑会耗费巨大的时间和人力。除此之外,先前的方法大多假设图像仅仅包含像高斯噪声那样的某种单一噪声类型,这并不符合实际应用场景。实际场景中,图像可能包含多种噪声,依靠先前的方法将不能有效的对图像进行去噪。与现有方法不同,本文提出了一种新颖的方法,不仅可以对包含单一类型的噪声图像进行噪声分类和图像去噪,而且还可以根据实际场景需求,对包含混合类型的噪声图像进行噪声分类和去除。我们的方法主要利用两种类型的深度学习网络来对噪声图像进行分类和去噪,分别是噪声分类识别网络和噪声去除网络。噪声分类网络对图像所包含的噪声类型进行识别分类,噪声去除网络则根据噪声分类网络的识别结果,选择合适的去噪模型对图像噪声进行去除,进而得到干净清晰的图像。本文设计的框架可以通过上述两个网络模块自动的对包含不同噪声类型的图像进行去噪。最终的实验结果表明,本文设计的分类网络对图像包含的噪声类别达到了90%以上的识别准确率。不仅如此,设计的去噪网络在高斯噪声的去除上也获得了比先前方法更高的峰值信噪比和结构相似性评价数值,并且在其他单类噪声和混合噪声上也有着不错的去噪效果。