扫描电子显微镜（Scanning Electron Microscopy,SEM）具有分辨率高、景深大等优点,作为观察物质显微结构的有力工具被广泛应用于众多科研领域。然而,在SEM成像过程中,设备电路中的噪声会污染图像,造成图像质量下降,进而影响研究人员对物质微观结构的准确分析。研究人员可通过延长扫描时间的方式降低噪声,但高能电子束长时间扫描造成的热效应会损坏样品,特别是生物样品。因此,针对低扫描时间带来的含噪SEM图像进行去噪研究有助于提高图像质量,对于揭示物质微观结构具有重要的现实意义。传统的去噪方法多依赖于对噪声类型的先验知识,然而,SEM图像中的噪声类型较为复杂,传统算法直接用于SEM图像去噪时,常造成纹理特征的模糊。近年来,深度学习算法凭借强大的特征提取能力被广泛应用于图像处理领域。本文从图像特征表达入手,针对SEM显微图像中纹理特征丰富以及纹理块的非局部自相似性两个特点,提出了两种基于深度学习的去噪方法,具体工作如下:一、针对SEM图像纹理特征丰富的特点,本文提出了基于纹理修复的多任务去噪网络。在共享网络参数的多任务学习启发下,我们设计了包含纹理修复和去噪两个任务的深度学习网络,并针对两个任务构建了相应的数据集。本文提出的网络首先执行纹理修复任务,然后执行去噪任务,通过修复图像缺失纹理的方式增强网络提取纹理特征的能力,进而协助去噪任务保留更多的纹理特征;为进一步丰富去噪图像的细节特征,我们利用残差密集块增强网络对图像纹理特征的提取能力,同时引入通道注意力机制对通道权重进行自适应调整,以还原更多图像细节特征;为均衡两个任务以达到既去除噪声又保护图像纹理特征的目的,我们提出了权衡损失函数,该损失函数由具有不同权重的纹理修复损失函数和去噪损失函数构成,通过优化权重获得噪声去除和纹理修复的最佳平衡。最后,在自建SEM数据集中进行了多种去噪算法的对比实验,结果表明本文提出的去噪网络在主观视觉表现以及客观评价指标上均取得了较好效果。二、针对SEM图像中纹理块的非局部自相似性特点,本文提出了基于Transformer与CNN的多尺度去噪网络。首先,考虑到多尺度表示有助于网络采集图像中大小不同的特征,我们利用特征金字塔网络对输入图像进行多尺度分解,获得多个尺度下的图像;然后,利用Transformer模块计算各纹理块之间的相关性系数,以此确定纹理块在图像全局中的相似性;其次,鉴于局部信息对于恢复图像纹理的重要性,利用卷积神经网络（Convolutional Neural Network,CNN）捕获单个纹理块的局部信息;最终,我们充分利用Transformer和CNN的优点,建立了一个以Transformer为全局纹理特征提取单元和以CNN为局部纹理特征提取单元的去噪网络。当去噪网络在恢复某个被噪声污染的纹理块时,全局纹理特征提取单元可利用其它相似纹理块还原被污染纹理块;当恢复纹理块中某个被噪声污染的像素时,局部纹理特征提取单元可利用其周围像素信息恢复被污染像素,进而实现对SEM图像的去噪处理。对比实验结果表明,本文提出的去噪网络在自建SEM图像数据集上取得了较好效果。