科学技术的发展提高了人们的生活质量,人们对高生活质量的追求又推动着科学技术不断向前发展。对高质量图像的需求,推动着计算机技术和数字光电成像技术的不断发展,也大量的涌现出了各种各样的数字光电成像设备,图像相关技术的发展为人类视觉获取信息做出了巨大的贡献。但是目前图像质量问题仍然非常严峻,图像仍然会出现各种形式的退化,在图像的成像、传输、存储的过程中由于环境和电子设备的不完善,很容易造成图像质量差的问题,这不仅阻碍了图像信息的获取,更使图像无法应用于各种对图像质量要求较高的行业,而且会影响图像处理中的各种高级任务如:特征提取、图像分割、目标识别等的研究与发展。因此,对图像进行去噪预处理,抑制噪声,输出高质量的图像,是解决上述问题,使图像满足各行业要求的重要方法。本文对深度学习图形去噪算法进行分析与研究,针对图像去噪的两个重要的指标:去噪性能和去噪效率,在现有算法的基础上进行改进,分别提出了基于残差学习的非对称卷积神经网络去噪模型和非对称空洞卷积去噪模型。在基于残差学习的非对称卷积神经网络模型中,使用三个并行的1×3,3×1,3×3卷积核组成的非对称卷积块进行特征提取,利用非对称卷积块增强骨架部分可以提升精度的特性来提升特征提取精度,模型整体采用残差学习的策略,训练时采用批规范化加速收敛,测试时进行权值融合,从实验数据和实验结果图可以看出改进的模型在去噪性能上有所提升,且没有损失去噪效率。在非对称空洞卷积去噪模型中,对DnCNN的网络模型进行了重构,减少了网络层数,并将常规卷积核改进为非对称空洞卷积块,即三个并行的1×3,3×1,3×3非对称空洞卷积核,利用空洞卷积扩大感受野和非对称卷积提升特征提取精度的特性,弥补追求效率付出的性能损失代价。同时采用批规范化和残差学习技术,测试时进行去中权值融合,最后,将改进的算法与其他的图像去噪算法相比,该模型去噪效率增加,且在去噪性能方面,比DnCNN略低甚至持平,很好的兼顾了去噪的性能和效率。