图像作为人类获取信息的重要途径之一,然而图像在采集或者传输工程中容易受到干扰,会影响图像信息的质量。图像修复技术就是将图像丢失或者损坏的数据用算法修复回来的过程。图像修复技术根据修复类型可分为:图像超分辨、图像增强和图像去噪等应用分支。图像去噪是提高图像质量最有效的方法,去噪后的图像具有更丰富的特征,给人更美好的视觉感受。因此图像去噪技术是学者们的研究热点之一,并在监控视频、医学处理和卫星遥感等领域得到了广泛的应用。研究去噪性能更强和修复特征能力越高的去噪算法,具有很高的理论价值和实用价值,因此本文将对图像修复技术中的去噪算法进行研究。本文首先研究了几种常用的图像去噪算法的基本原理,包括传统图像去噪算法和基于深度学习的去噪算法。在传统的去噪算法中又可以分为基于空域的滤波算法、基于频域的滤波算法和联合空域和频域滤波的算法,其中去噪效果表现最好的是联合空域和频域的滤波算法,但是去噪效果差强人意,无法区分噪声与细节特征导致难以有效消除高强度噪音和修复细节。在数据飞速发展的今天,相比于传统算法,基于深度学习的去噪算法展现了明显的优势。它能在CNN网络中自动学到大量图像的特征信息,通过设计不同的网络结构解决了传统算法研究中面临的无法区分噪声与细节的难题。在基于深度学习的算法中,根据噪声模型和类型,设计不同的网络结构实现了对噪声的精确去除。但是基于空域信息的深度学习网络使得去噪算法的性能受到一定的限制,无法更好地调节去噪和修复细节特征,导致有可能出现残留噪声的情况。针对现有算法存在的问题,本文提出了一种基于深度学习联合空域和频域的SAR图像去噪算法。考虑到了空间结构特征的小波子带特征之间的互补性,该网络以小波域信息为主,空域信息为辅,融合了空域和小波域信息提高了网络的学习能力,采用了估计小波系数的方式还原图像细节特征信息实现图像去噪。并且通过引入空间和通道注意力模块,更大限度地提高网络的表征能力,从而提高了去噪的精度。根据大量实验从定量和定性角度分析,与现有的算法相比,本文算法的去噪效果更好,修复的细节更加丰富。此外,为了证明联合空域和频域对于深度学习网络去噪的适用性,本文还提出了基于深度学习的联合空域和频域的高斯噪声去噪算法。对于高斯噪声,该网络结构采用的是以空域信息为主,小波域信息为辅,结合空间与通道注意力模块,让网络学习噪声再利用残差结构的方式实现去噪。无论从主观视觉还是客观指标,实验表明该算法的去噪和修复细节特征能力都优越于现有的高斯去噪算法,进而说明了联合空域和变换域的思想的有效性。