图像去噪是一个基础性的科研任务,其旨在对获取到的噪声图像通过某种去噪算法的处理后能够获得对应的纯净图像。当前的很多去噪方法是使用大量的成对图像（噪声图像和纯净图像）去训练一个卷积神经网络使之学习到从噪声图像到去噪图像的映射关系。相比于传统的基于图像先验知识的方法,这类方法能够自动地挖掘和利用更多的图像统计信息,从而获得更好的去噪效果。但是,这类方法目前依然还存在着一些问题,如有去噪图像过模糊、单个网络模型不能够在去噪效果上和时间效率上鲁棒地处理不同噪声水平的噪声图像等问题。为了同时解决上述三个问题,本文提出了图像去噪的自适应条件生成对抗网络,该生成对抗网络包括以下三部分工作。第一,本文首先从理论上分析了去噪图像过模糊问题的根本原因,然后根据该原因,再结合生成对抗网络的优势以及其存在的训练难的问题,最终提出了一个基于Wasserstein生成对抗网络的图像去噪训练框架。实验结果表明,该框架能够有效地解决去噪图像过模糊的问题和获得优良的去噪效果。同时,基于细胞噪声图像去噪对纹理特征恢复的高要求和该框架在纹理特征恢复上的优越性,本文将该框架应用到了细胞噪声图像的去噪上。结果显示该框架能够很好地完成对细胞噪声图像的去除噪声和恢复特征细节的双重任务。第二,为了使得上述去噪框架在处理不同噪声水平的噪声图像时在去噪效果上具有良好的鲁棒性,本文受条件生成对抗网络的启发,在上述框架的基础上,引入噪声水平图作为条件信息,同时设计了一个噪声水平预测子网络用于对该条件信息进行自动预测,此外还探索了多种条件信息的结合方式并找到了一个操作简便效果良好的结合方式。实验结果表明,条件信息—-噪声水平图的引入能够有效地提高上述框架在处理不同噪声水平的噪声图像时在去噪效果上的鲁棒性。第三,为了进一步使得上述框架在处理不同噪声水平的噪声图像时在时间效率上具有良好的鲁棒性,本文对上述框架中的生成子网络进行了改进,提出了带有选择结构的噪声自适应生成子网络。该噪声自适应生成子网络能够根据噪声图像上的噪声强度通过选择结构选择对应（即不同的）深度的网络结构来进行处理,这样就解决了网络在处理不同噪声水平的噪声图像时在时间效率上的鲁棒性问题。此外,因为该生成子网络在选择结构处会遇到梯度不能反传的训练问题,本文为此提出了分段训练策略,该策略能够有效地解决该训练问题。实验结果表明,改进后的框架在处理中低噪声水平的噪声图像时,能够花费更少的运行时间取得依然良好的去噪效果。通过上述三部分工作的逐步改进,最终形成了本文的最终框架—-图像去噪的自适应条件生成对抗网络,其能够同时很好地解决当前去噪方法存在的:去噪图像过模糊、单个网络模型不能够在去噪效果上和时间效率上鲁棒地处理不同噪声水平的噪声图像等问题。