图像在生成和存储的过程中很容易受到噪声的干扰而变得模糊不清,低质量的图像会增加信息获取的难度,因此图像的去噪技术成为了图像处理中热门的研究领域。目前图像去噪的主要解决方法可以分为传统去噪算法和基于深度学习的去噪算法,传统的去噪算法相较于后者计算量较小,去噪速度更快,而深度学习的去噪算法虽然复杂度较高,且对硬件有一定的要求,但在图像的纹理信息保留和噪声去除能力上往往更加优异。本文针对已有的深度学习去噪算法进行分析,研究了卷积神经网络在浅层与深层卷积层的去噪效果,并将残差学习模型应用于图像去噪,提出一种基于残差连接的并行网络去噪算法,提升去噪能力,加快去噪速度,并将本文提出的方法实际应用于水尺水位图像的去噪,实现水尺水位信息的自动获取,效果明显。主要工作如下:1.研究了卷积神经网络在浅层与深层卷积层的去噪效果,发现网络层数较浅,从图像中提取的特征数也就相对较少,网络层数较深,其去噪效果则有了明显改善。但单纯的网络层数的加深,对于去噪效果并无明显的改善,网络的退化问题无法解决。然后采用了残差学习的模型应用于图像去噪,相比于只用了CNN网络进行去噪的模型,基于残差学习所得到的去噪图像的PSNR值要高,优化了CNN网络的去噪性能。2.针对大部分深度卷积神经网络存在着层次难以达到很深以及神经网络的深层次性能退化问题,本文基于前馈去噪卷积神经网络的模型,提出一种结合批量重整化去噪网络中的并行网络。本文提出的方法是将原有的网络层一分为二,通过增加网络的宽度而不是深度深层结构获取更多特征。再使用残差学习和批量归一化的方法,以改善去噪质量,并且加速训练。结果表明,本文提出的残差连接的并行网络去噪本文算法的去噪效果更为突出,去噪耗时也大大降低。3.为了更好的验证本文提出的方法在实际中的应用,将基于残差连接的并行网络去噪新算法应用于水位线的检测,对水尺水位图像进行去噪,实现水尺水位信息的自动获取。为了体现出在不同环境下的去噪效果,本文给出三个不同的实际环境下水尺水位图像,分别在噪声水平为25和50的情况下,与BM3D算法、卷积神经网络去噪算法和残差网络去噪算法进行去噪性能比较,结果表明,本文提出方法的去噪效果更为优异,既可实现对水尺水位图片噪声的去除,又可以有效的保持水尺水位的细节信息。