鉴于噪声干扰导致图像小波变换系数的统计特征值产生有规律的变化以及深度神经网络(Deep Neural Network,DNN)强大的函数逼近(映射)能力,提出了一种快速噪声水平评估(Fast Noise Level Estimation,FNLE)算法。具体地,先利用Daubechies 9/7小波基在3个尺度、3个方向对噪声图像进行小波变换,再利用广义高斯分布(Generalized Gaussian Distribution,GGD)模型为变换后各个子带上的小波系数值建模并以GGD模型的2个参数作为统计特征值,共可得到18个特征值构成描述图像噪声水平高低的特征矢量;然后,选用大量已知噪声水平值的噪声图像构成噪声图像集合,提取集合中噪声图像的特征矢量并与所施加的噪声水平值构成训练数据集;最后,利用DNN深度神经网络技术在训练数据集上进行训练从而获得能够将特征矢量映射为噪声水平值的预测模型。为了获得更加准确的预测值,将噪声水平值范围细分为5个子范围分段训练以获得更为精准的预测模型。相对于现有的算法,FNLE算法采用了基于训练的实现策略。预测模型一旦训练完成,其用于预测的执行时间非常短。同时,DNN深度神经网络技术保证了预测结果的准确性。大量实验数据验证了FNLE算法在预测准确性和执行效率两个关键评价指标上具有更好的综合优势。