数字图像的获取、传输、保存的过程中由于外界的随机因素,不可避免地会受到种种干扰,这些干扰使得图像像素的灰度值改变,从而在图像中出现突兀像素点以及模糊现象,为了还原干净清晰的图像,从频率域和空间域上设计了许多针对含噪图像的降低噪声的技术,简称为图像降噪。纵观图像降噪的发展历程,从均值滤波到全变分模型以及卷积神经网络去噪技术,各种技术或多或少都带有平滑图像的思想,即将梯度过大的像素值分到周围像素点上,这必然导致降噪和模糊是如影随形的。如何更精确地识别噪声以及做合理的重新分配像素值是必要的研究内容。二十一世纪,由于计算机性能的大幅度提升,基于卷积神经网络的图像降噪技术因此发展迅速。基于卷积神经网络的图像降噪效果取决于多种要素,例如卷积神经网络的结构、卷积核的尺寸与卷积方式、特殊连接结构、优化算法以及激活函数等。本文主要研究了最新的卷积神经网络结构,改进了效果较好的前馈卷积降噪网络DnCNN,得到了参数量具有相同数量级,但降噪效果较好的降噪卷积网络结构,从实验结果可知,所做降噪图像并未出现明显模糊,计算所得图像质量数值指标PSNR较高。通过研究大量的人工神经网络架构在图像降噪领域的实际效果,以及非对称卷积神经网络算法的基础上,发现条形非对称的卷积核与多尺度卷积核的融合是对降噪网络相当有效的。因此,本文方法将DnCNN结合了非对称卷积,以及多尺度卷积核,改进为一种复合感受野结构,将这种结构可当成一整块嵌入到其他卷积神经网络结构中,从而提出了一种新的用于降噪的卷积神经网络架构。其中的非对称卷积不仅降低了参数量,而且提高了降噪效果;多种尺度的卷积核处理图像时得到了多种感受野大小,进而得到了信息更丰富的特征图,这些特征图能更加自适应地让网络参数得到优化。所作的网络结构中还包含了Relu激活函数、批量归一化,以及跳跃连接结构,对比实验表明,这些元素与结构都是对降噪工作有所帮助的。与不同算法结果作数值对比,对相同高斯噪声水平的图像降噪任务,对于公开实验图像Set12来说,其平均峰值信噪比是较高的。对于噪声强度25的高斯噪声,其降噪图像与原始图像峰值信噪比高达30.64d B。