图像在拍摄、传输或存储过程中容易被噪声污染,噪声的存在严重干扰和妨碍了人或机器人理解图像信息的能力。因此,如何有效去除图像中的噪声成为研究热点。目前,基于深度学习的图像去噪方法效果最好。但现有此类方法通常使用单一网络结构同时重建图像的结构和细节信息,使去噪后的图像容易出现边缘过度平滑现象,而边缘细节信息是衡量图像去噪算法好坏的重要参考项。为了解决该问题,本文从边缘增强和边缘保真两个方向对基于卷积神经网络的图像去噪算法展开研究。本文研究内容如下:首先,结合卷积神经网络和传统边缘算子,提出一种基于卷积神经网络的边缘增强图像去噪算法(Fusing Canny-edges in image Denoising,FCDnet)。该算法由基准去噪网络、传统边缘提取模块和融合模块组成,通过边缘算子提取出的边缘细节补充去噪结果缺失的边缘细节信息,得到更真实、边缘增强的去噪结果。实验结果表明:该方法在视觉效果和定量指标均优于相关的图像去噪算法,能够生成边缘锐利、细节特征更多的图像。其次,针对FCDnet网络中边缘提取模块容易将某些噪点误判为边界,会造成信息冗余等问题,本文在其基础上提出一种改进算法——基于双卷积神经网络的边缘增强图像去噪算法(Fusing Edge-information in image Denoising,FEDnets)。FCDnet边缘提取功能是由传统边缘算子实现,而FEDnets提出一种具有抗噪功能的卷积神经网络作为边缘提取模块,其能够不受噪声干扰地从带噪声图像中提取线条连贯、细节较多的边缘细节。实验结果表明:由FEDnets得到的具备边缘细节的去噪图像进一步地提高了图像质量和评价指标。最后,从边缘保真角度出发,提出一种基于语义感知的新型图像去噪算法框架(Edge Guided Denoising Network,EGDnet)。算法由基准去噪模块和基于多尺度特征融合的边缘提取模块组成。首先,采用多特征边缘提取模块对去噪模块产生的结果提取边缘细节。进而,通过多层次融合边缘损失代价的最小化,反向优化去噪模块性能,引导去噪过程生成具有更多边缘细节信息和纹理特征的图像。实验结果表明:该算法在主观视觉上和客观指标上均有良好地效果。与FEDnets相比,虽然指标略低,但是视觉效果提升较为明显,且网络框架通用性更强。