数字图像在产生的过程中,质量难免会受到采集设备和环境的影响,在储存和传输时也会受到各种因素干扰,这使得获取到的数字图像中存在一定的随机噪声,对后续工作的开展带来了困难,因此需要对图像进行去噪。图像去噪算法发展至今主要采取滤波的方式,将图像与滤波器进行运算,对图像中的像素进行滤波,但在滤除噪声的同时不可避免地会使图像过于平滑,导致图像边缘细节和纹理的消失。针对这些问题,本文探究了一种基于循环生成对抗网络与小波变换相结合的方法,采用小波变换将图像分为不同子带,在这些子带中采用生成对抗式训练,对于不同子带得到各自的去噪网络,实现从含噪子带到无噪子带的映射,再通过小波逆变换将不同子带的图像恢复为原图。在网络模型的选择和训练上,传统神经网络模型中的超参数都是提前人为设定的,而网络训练只能对权重和偏置等参数进行更新。基于在超参数设置上的优化,为了得到最优的生成器网络结构超参数,使用了网络模型自动搜索的方法,通过建立搜索空间并采用基于遗传算法的搜索策略,每经过一定量的训练后更改一次网络模型,由网络模型的去噪质量来决定下一步的搜索方向,进而选择出最合适的网络结构超参数。在训练中结合了循环对抗生成网络中对抗式训练的思想,将对抗过程加入到传统的神经网络模型的训练当中,添加不同权重的对抗损失、一致性损失、循环一致性损失和去噪损失作为损失函数,使生成器和判别器不断对抗,以此来提升模型的去噪性能。在本文中,模型结构的搜索并不是直接在生成对抗式训练过程中进行,而是采用了迁移学习的方法,将完整的结构搜索过程放入传统的去噪模型中进行,在训练模型中获取到适用于图像去噪问题的模型结构和模型参数,随后分别作为生成对抗式训练中的模型结构和对应模型的初始化参数,在此基础上进行生成对抗式训练。在实验部分对采用的小波基函数和小波分解尺度进行了探究,选取了最优的参数;通过对比实验探究了小波变换和网络结构搜索对于模型去噪性能的提升;又将本文算法与其他传统去噪算法和基于神经网络模型的去噪算法进行了对比,经本文算法去噪后图像的平均峰值信噪比为26.45dB,平均结构相似性为0.86,要高于其他滤波算法。在主观评价上,经本文算法去噪后图像的清晰度和对精细结构的保护都要优于其他神经网络模型的去噪算法,并且对于强度较大的噪声和真实环境噪声都具有一定的去除能力。