人类对外界信息的获取,大部分都是来自于图像,而图像作为信息载体,其在获取和传输过程中会受到各种噪声的影响,会影响到对图像的进一步使用。因此,对图像进行去噪处理是十分有必要性的。本文深入分析了传统去噪算法和基于深度学习的优缺点,针对现有图像去噪算法在提升去噪性能的同时,伴随图像边缘信息丢失的问题,基于自适应中值滤波（Adaptive median filtering,AMF）算法提出两种侧重点不同的改进算法;另外设计了一种适用于对椒盐噪声进行去噪的卷积神经网络结构。仿真模拟实验结果表明:三种算法模型在对自然图像和遥感图像进行去噪操作的去噪性能以及边缘保持效果。本文的主要工作如下:1)本文基于AMF算法,提出了一种边缘保持自适应中值滤波算法（Edge-preserving adaptive median filter algorithm,ERAMF）。ERAMF算法设计了一个边缘提取器对图片的边缘像素进行提取并生成边缘图片,同时使用AMF算法对图片进行去噪操作,在最后将AMF算法去噪后的图片与边缘图片进行融合,得到干净的图片。这种方式进一步提升了算法对于边缘信息的保持度。通过仿真模拟实验结果表明ERAMF算法在对于自然图像和遥感图像的去噪效果和边缘保持效果上要优于AMF算法,而且ERAMF算法在边缘保持效果上要比AMF算法提升较多。2)本文基于AMF算法,提出了一种阈值截断自适应中值滤波算法（Threshold cutoff adaptive median filtering algorithm,TAMF）。TAMF算法在AMF算法的基础上,提出了利用椒盐噪声噪点像素的亮度与局部背景的像素差别较大这一视觉现象,构造一种阈值算子用于对噪声像素的判别。其操作为,对于窗口中的每一行与每一列,取其中值,并将全部中值组成一个新的向量,然后将向量中的最大值和最小值作为向量区间,最后通过判断窗口中心像素值是否位于区间内来判定所述像素是否为噪声像素。这种判断方式提高了算法对于高密度椒盐噪声的去噪性能。在仿真模拟实验中,使用TAMF算法对被高密度椒盐噪声污染的自然图像和遥感图像进行去噪,其去噪性能较AMF算法有所的提升,且其边缘保持效果要优于AMF算法。3)为了更好地保护遥感图像中的边缘细节信息,本文使用VGG模型作为基本架构构筑了主网络框架,加入空洞并行卷积特征提取模块辅助主网络进行信息提取,并去除掉全部的池化层,用空洞卷积核替换卷积核发挥池化层的作用,在最后设计两个卷积层进行信息融合,并用一个1×1卷积层取代全连接层,构造出一个以全卷积神经网络为基础的改进网络,并将其命名为空洞并行卷积神经网络（Empty parallel convolutional neural network,EPCNN）。通过这种设计方案使得模型能够适用于对椒盐噪声进行去噪,并减少了去噪操作对于边缘信息的丢失。通过对自然图像和遥感图像进行仿真模拟实验可以发现EPCNN能有效的对椒盐噪声进行去除,并对边缘信息有较好的保持效果。EPCNN的去噪性能和边缘保持效果要优于Dn CNN。