图像去噪是图像处理里的一个基本问题，也在很多高级视觉任务中扮演了重要角色。图像去噪的目的是从受到噪声污染的图像中恢复出原始图像，是一个被广泛研究但很大程度上未被解决的问题。
　　现阶段，大多数图像去噪方法是基于学习的方法，这些方法凭借优于传统方法的去噪效果吸引了很多研究注意力。但是这些方法也是存在问题的，因为它们是数据驱动形式的，很多时候会依赖于训练数据。如果训练数据不够，容易导致映射函数过拟合，如果训练数据存在偏置，函数拟合的边界可能会偏离真实的数据分布。尽管目前传统方法不太流行，但是传统方法，尤其是基于图像先验优化模型的传统方法，在其优化模型的求解过程中提供了一个在去噪过程中保护图像结构的良好先验。
　　因此，本文通过挖掘这些先验知识，将它们应用到去噪学习的过程设计上，给学习的过程加上一定的正则化约束。这样的去噪方法能在一定程度上减少对数据的依赖性，更好地避免数据过拟合和克服数据偏置带来的影响。基于传统方法的去噪优化模型，受求解时展开成迭代过程形式的启发，我们结合数据驱动方法的优势做了深入的研究工作。
　　提出了模型启发的图像去噪集成学习方法：(1)结合集成学习技术，提出了一种灵活的图像去噪集成框架。该方法通过聚合一组简单的元去噪器，组建成更强的图像集成去噪器。在我们的知识范围内，这是利用集成学习技术研究图像去噪问题的第一篇论文，不仅显示了集成学习在图像去噪中的潜力，而且提供了性能可靠的有效解决方案。(2)基于不同类型的图像先验，提出了两种类型的小波阈值化形式的元去噪器，并利用Gabor基函数构成了拟合能力较强的收缩函数，为设计基于其它图像先验的元去噪器提供了一些基本思路。
　　提出了模型启发的图像去噪深度学习方法：(1)结合深度学习的强大学习能力，把传统方法的去噪优化过程网络化，构建了一个各网络模块具有较强解释性的图像去噪网络。同时，该方法也可以看成是集成学习去噪方法在深度学习方向上的延续和扩展，在公开的数据集上取得了国际领先的结果。(2)在该深度学习去噪方法中，根据一维滤波器与二维滤波器的关系，我们提出了方向卷积的概念。利用方向卷积，不仅能减少网络参数，还能在不采用非局部操作的情况下有效地保护图像中的边缘和纹理，为图像细节信息的保护提供了新思路。
　　我们把所提出的方法在多个图像去噪常用数据集分别进行测试和实验对比，实验结果证实了本文方法的有效性。本文的研究工作对图像去噪的研究发展具有重要意义，也为图像去噪算法、理论开拓了思路。