近年来,计算机视觉在社会生产生活中逐渐发挥着越来越大的作用。从原始图像中获取准确有效的信息,对各种视觉任务都至关重要。然而,图像从采集、传输到保存的过程中,都会受到各种噪声干扰。噪声扰动不仅使图像视觉质量下降,而且会影响后续对图像信息的理解。图像去噪的目的是通过抑制图像中的随机噪声,估计原始干净图像,同时尽可能多地保留图像细节特征。随着卷积神经网络的广泛应用,基于深度学习的图像去噪算法取得了超越传统方法的性能优势。然而,由于深度学习模型内部决策的复杂性,一般认为去噪网络是一个神秘且难以理解的黑盒系统。论文主要研究去噪神经网络的可解释性,探索深度学习可解释性方法在提升图像去噪性能方面的可能潜力。具体地,论文从以下两个方面展开研究:基于可视化的深度学习可解释性方法,旨在探究对去噪网络性能有重要影响的输入空间特征。论文从去噪神经网络的可解释性角度出发,归因分析去噪网络从训练数据中学习到的数据关注模式,以及制约去噪网络性能的重要像素特征。论文对比分析了基于可解释性与基于图像均方误差这两种方法在描述重要像素特征方面的异同点,探讨了基于可解释性方法的合理性与优势。评估可解释性方法的性能是一个较困难的问题。针对此问题,论文提出了一种重要像素的一致性指标,通过实验表明该指标可有效评估可解释性方法归因重要像素特征的能力。基于去噪网络的可解释性研究结果,论文进一步提出了一种基于可解释性引导的图像去噪算法,该算法能够动态地指导去噪网络训练学习重要的特征信息。基于可解释性的重要像素点掩码,对输入空间特征信息的重要性程度进行排序,提出一种新的自适应加权损失函数,称为可解释性引导损失函数。多种测试数据集上的实验表明,基于可解释性引导的图像去噪算法能有效提升去噪结果的视觉质量与定量指标。