图像盲去噪是指在未知或少知图像噪声信息的情况下,利用已有的退化图像信息恢复得到与原始图像尽可能相近的图像。目前大多数的图像去噪算法都假设加性高斯白噪声的噪声水平已知,但实际上退化图像的噪声信息是未知的,因此假设噪声水平已知的图像去噪算法难以满足实际需求。为了能在噪声水平未知的情况下,灵活地去除退化图像中的噪声,并尽可能地保留原始图像信息,本文进行了以下两方面的工作研究:（1）数据与模型混合驱动的稀疏重建网络的构建针对深度神经网络去噪模型的特征表达能力过分依赖于训练数据集这一不足,本文借助于统计去噪模型只依靠先验信息约束优化且无需训练的优势,构建了数据与模型混合驱动的稀疏重建网络。该网络可以完成稀疏表示系数的优化求解过程,之后进行稀疏重建得到输入图像的重建版本。首先,依据最大后验估计（Maximum A Posteriori,MAP）理论建立稀疏约束下的图像盲去噪目标函数。然后,使用交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）优化求解建模得到的图像盲去噪整体目标函数。优化过程中通过梯度下降理论分析系数求解子过程,该子过程将指导稀疏重建网络框架的搭建。最后,使用仅包含干净图像数据集的BSD400进行网络训练,以避免字典表示能力受到训练数据集中噪声信息的影响。实验结果表明所搭建的稀疏重建网络在指标上充分满足了要求,训练得到的字典可以有效提取图像特征,在系数的稀疏性验证上同样也符合预期假设。（2）基于稀疏重建网络的图像盲去噪网络模型构建在研究内容（1）的基础上,依据ADMM优化算法的图像去噪子过程构建整体的图像盲去噪网络模型。本文所提出的图像盲去噪网络模型结合了统计模型的灵活性和深度去噪模型的强大表示能力,实现了去除任意噪声水平下的加性高斯白噪声。图像盲去噪网络模型有效起作用的关键是依据自适应估计得到的噪声水平和稀疏重建误差的标准差融合噪声输入和稀疏重建输出,最终得到去噪图像。通过实验得到了图像盲去噪网络在Set5、Set12以及BSD68数据集上的去噪性能,从量化指标和视觉效果对比中都体现出了本方法的有效性。本文所做的工作为基于模型驱动的迭代优化盲去噪方法和深度去噪网络模型之间搭建了 一座桥梁,这对于探究卷积神经网络（Convolutional Neural Networks,CNNs）在图像复原甚至其他计算机视觉领域中如何起作用具有重要意义。