随着互联网和多媒体技术的快速发展,图像已经成为人类信息交流和信息传递过程中不可或缺的一部分,对现代社会的信息存储和信息交互技术等方面的发展具有实际意义。然而,图像的采集、生成、存储以及传输过程中,难免会受到不同类型、不同程度的噪声信号的污染。因而需要对噪声图像进行处理,即从一幅低质量的噪声图像中恢复出高质量的无噪声图像。目前,许多图像去噪的深度学习方法已经被提出,但仍存在去噪结果的细节或纹理损失严重等问题。因此,本文致力于研究基于深度学习的图像去噪方法:（1）自然图像中包含有纹理较丰富的区域和纹理较稀少的平滑区域,因而对图像区域进行同样的去噪处理,会忽略图像纹理区域差异,造成纹理丰富区域内较大的细节丢失。因此,本文提出了一种结合纹理损失的图像去噪方法。该方法首先在U-Net网络中增加残差模块,从而提升网络的特征提取能力,然后提出一种基于拉普拉斯算子的纹理损失函数用于去噪网络训练。实验结果表明,本文的结合纹理损失的图像去噪方法能重建出良好的去噪图像并保留合理的纹理。（2）我们发现对噪声图像使用不同的去噪参数进行不同强度的去噪后得到的去噪结果在纹理丰富区域和纹理平滑区域分别具有不同的表现。因此,本文提出基于U-Net融合的图像去噪方法。该方法首先增加U-Net网络中编码器个数并增加一个金字塔模块用于将特征从深层融合到浅层,得到二分支U-Net融合网络;其次,使用已有图像去噪方法在两个不同去噪参数下的两幅去噪结果图像;最后,将两幅去噪图像作为二分支U-Net网络的输入,由二分支U-Net融合网络重建出最终的去噪图像。实验结果表明,本文的基于U-Net融合的图像去噪方法能进一步优化现有的图像去噪方法的性能。（3）考虑到现有的基于深度学习的图像去噪方法往往只进行单次的去噪,容易造成去噪结果细节损失,且无法挽回。因此,本文提出了一种基于循环神经网络的多阶段图像去噪方法。该方法包括两个去噪阶段,通过调整两个阶段的训练权重可以使得第一个阶段的去噪结果包含部分未去除干净的噪点和更多细节信息,然后将第一阶段提取的特征通过门控循环单元传递到第二阶段,再进行第二个阶段的去噪。同时,为了使深度网络的训练更稳定,本文还设计了一个估计噪声分布的子网络,用于从噪声图像中估计噪声的分布。最后,将噪声分布和噪声图像拼接,作为网络的输入来训练去噪网络。实验结果表明,本文的基于循环神经网络的多阶段图像去噪方法具有先进的去噪性能。