去马赛克和去噪是彩色图像处理管线中最关键的两个步骤.经典的管线顺序一般是先对原始噪声图像去噪,然后再去马赛克.但是,这个顺序会导致图像过度平滑且容易产生棋盘伪影.然而,更改此顺序却非常困难.因为一旦原始图像进行了去马赛克,其噪声的统计属性就会发生巨大的变化.这对于高度依赖统计假设的传统去噪模型而言,无疑是致命的.本文将探索两个关键步骤合适的管线顺序,以尝试解决这个棘手的问题.首先,对部分传统的插值去马赛克算法进行数学的分析与建模,并在此基础上给出相应的伪代码以方便接下来的工作.其次,对成像管线中去马赛克和去噪的最佳组合进行研究.通过对去噪器噪声参数的修改,提升了先去马赛克后去噪管线的性能,这一管线顺序既解决了先去噪带来的过度平滑与棋盘伪影,又克服了标准先去马赛克后去噪管线无法处理的去马赛克残差噪声.所提出的方案在模拟数据与真实数据中均验证有效.然后,参考所提出的先去马赛克后去噪的管线顺序,结合残差学习的方法将传统的GBTF算法与卷积神经网络（CNN）组合,使用两阶段策略训练联合去马赛克去噪网络.大量的实验证明,所提出的算法优于目前最先进的算法.同时消融实验也表明,两阶段策略优于通常的端到端训练方法,即虽然卷积神经网络具有强大的拟合能力,可以端到端的解决多任务问题.但是探究多任务之间的关联性并设计合理的顺序依然十分重要.最后,由以上工作可得,相较于原始图像的去噪问题,彩色图像的去噪问题更值得关注.虽然目前深度学习去噪算法的性能已经全面超越了传统模型去噪算法,但是深度学习对设备的计算力要求很高,这使得这些算法难以部署,尤其是在低算力的移动终端.同时已经有大量的实验结果表明,基于CNN的去噪算法经常会使图像的规则纹理区域出现过度平滑,而处理规则纹理却是传统非局部模型的强项.针对以上两个问题,将传统BM3D算法与CNN相结合,提出了兼具快速,非局部性和神经网络特性的轻量级图像去噪算法.该算法充分发挥了两个模型的优势,在低算力的情况下,其性能优于现有算法.