在日常学习或生活中，图像无处不在，是人类社会活动中最常用的信息载体。在获取和传输过程中，图像会受到多种噪声的干扰，从而对后续的图像识别或医学诊断产生影响。图像去噪旨在保留图像原始信息的同时，降低或去除噪声对图像的影响，从而获取理想的视觉效果。因此在对图像数据进行分析和应用之前，采用去噪技术修复受损图像是非常重要而且不可或缺的一步。　　目前存在的去噪方法主要分为空域和频域两类。空域内的去噪方法大都是在各种滤波器如均值滤波器、中值滤波器的基础上进行的改进或创新，频域内的去噪方法则都是基于小波变换或Contourlet变换。作为一种深度神经网络，卷积神经网络已经成功地应用到计算机视觉领域。然而目前应用多数集中在模式识别领域，用于图像分类、识别和目标检测等。在图像处理领域，卷积神经网络多被用于提高图像分辨率，去除图像中的模糊、污点等。　　作为神经网络的一个经典模型，卷积神经网络在模式识别领域功不可没，但在图像去噪中的应用则是少之又少。卷积神经网络中的卷积层用于提取图像特征，采样层则大幅度降低了网络的结构参数。基于卷积神经网络的这种结构特点及工作原理，本文提出了一种基于卷积神经网络的图像去噪方法。与传统的卷积神经网络相比，本文使用的卷积网络结构中只包括卷积层，而没有采样层，去噪过程包括图像块提取、非线性映射和图像重建三个过程，直接实现了噪声图像到干净图像的一种端到端的映射，该研究的实现扩大了卷积神经网络在图像处理上的应用。文中主要使用高斯白噪声图像作为输入，并与当前的类似方法进行比较。除此之外，文中还针对椒盐和斑点等不同类型的噪声，训练不同的卷积神经网络，实现了对不同噪声的去除。文中使用峰值信噪比去定量评估各种方法去噪结果的好坏。