图像在生成和传输的过程中难免会受到噪声的污染,严重影响图像的进一步分析与处理。图像去噪作为各图像处理算法中的重要步骤,有助于对图像内容进行进一步的区分和解释,在机器视觉领域有着重要意义。本文分别对高斯噪声、随机脉冲噪声去除算法进行研究,主要工作如下:（1）基于递进式残差融合密集网络的高斯噪声去除:基于深度学习的去噪方法能够获得比传统方法更好的去噪效果,但是现有的深度学习去噪方法往往存在网络过深导致计算复杂度过大的问题。针对这一不足,提出一种用于去除高斯噪声的递进式残差融合密集网络Dn RFD。该网络首先采用密集块来学习图像中的噪声分布,在充分提取图像局部特征的同时大幅降低网络参数;然后利用递进策略将浅层卷积特征依次与深层特征短线连接形成残差融合网络,提取出更多针对噪声的全局特征;最后,将各密集块的输出特征图进行融合后输入给重建输出层,得到最终的输出结果。实验结果表明,在高斯白噪声等级为25和50时,该网络都能获得的较高的峰值信噪比均值和结构相似性均值,并且去噪平均速度相较于Dn CNN方法提升了一倍,优于FFDNet方法两倍。总的来说,该网络整体去噪性能优于相关对比算法,可有效去除图像中的高斯白噪声和自然噪声,同时能更好地还原图像边缘与纹理细节。（2）基于双通道四元数卷积网络的彩色随机脉冲噪声去除:基于深度学习的彩色图像去噪方法通常是在各个通道进行卷积操作后再进行合并得到最后的卷积结果。这种方式没有充分考虑色彩通道之间的光谱相关性,可能导致去噪结果的失真。四元数卷积将彩色像素当作一个整体来进行处理,可以很好地解决这一问题。但是单一的四元数卷积网络不能较好地还原图像细节信息。针对这一问题,提出一种用于去除彩色随机脉冲噪声的双通道四元数卷积网络DQNet。该网络首先基于结构通道和色彩通道融合的策略,采用基于扩张卷积的结构细节还原模块来提取结构和边缘特征,采用四元数卷积网络来提取色彩特征;然后针对卷积运算会导致部分全局信息丢失的问题,通过长线连接将含有丰富全局特征的输入噪声图像与卷积结果进行融合,设计基于注意力机制的特征增强模块来指导网络提取复杂背景中的潜在噪声特征;最后利用残差学习实现彩色随机脉冲噪声的复原。实验结果表明,新算法具有较好的去噪性能,在中度噪声污染和高度噪声污染的情况下去噪效果更为突出。（3）基于四元数卷积注意力去噪网络的彩色随机脉冲噪声去除:基于深度学习的彩色图像去噪方法没有充分考虑色彩通道之间的光谱相关性,可能导致恢复精度下降。针对这一问题,提出一种用于去除彩色随机脉冲噪声的四元数卷积注意力去噪网络De QCANet。该网络设计了一种基于扩张卷积的结构信息提取模块来提取结构和细节特征,并将其作为实部,彩色噪声图像的三通道作为虚部,构建新的四元数矩阵。采用该策略,可以使得四元数卷积网络进一步获得跨通道的色彩信息。最后,结合全局特征和局部特征,提出一种基于注意力机制的特征增强模块来指导网络去除彩色随机脉冲噪声。实验结果表明,新算法具有较好的去噪性能。