图像噪声影响人们对图像信息的分析以及后期的图像处理工作,因此图像去噪算法的研究具有非常重要的实际应用价值。近年来,随着大数据的兴起和GPU性能的提升,深度学习逐渐成为图像处理领域的主流,也给图像去噪带来了新的理论支持和应用支撑。理论上基于深度学习的去噪算法有着强大的自学习能力,去噪效果相对于传统去噪算法会更好。为了探究深度学习算法的去噪效果,本文对深度学习去噪算法和传统去噪算法进行了仿真实现,并基于不同指标对算法的去噪结果进行了对比分析。本文第一部分主要规定了在仿真实验中使用加性高斯白噪声（AWGN）来模拟真实噪声,并说明了去噪效果的评价标准,接着回顾了传统图像去噪算法NLM和BM3D的原理及其局限性。第二部分沿着深度学习去噪算法的演变方向对其进行深入探究,详细介绍了有监督深度学习去噪算法Dn CNN、无监督深度学习去噪算法Noise2Noise和新提出的自监督深度学习去噪算法Self2Self的去噪原理和网络结构设计。仿真实验部分,首先从BSD68数据集中选出10张尺寸大小不一的自然人文图像,通过添加三种水平的高斯白噪声合成测试图像集,噪声标准差σ从低到高依次设置为15、25、50。然后根据各深度学习算法的网络设计搭建相应神经网络模型进行训练,其中有监督算法Dn CNN和无监督算法Noise2Noise使用Train400图片数据集来进行网络训练,最后使用训练好的模型对测试图像进行去噪。为了较全面地评价深度学习去噪算法的去噪效果,本文从主观视觉效果和客观评价指标两方面将各算法在测试集上的去噪效果进行了充分对比。大量的实验结果与对比分析表明,相比于传统去噪算法,深度学习算法去噪性能更加稳定,在去除高水平噪声时性能未降低,各客观评价指标明显高于传统去噪算法,且去噪后能较好地保留图像细节特征,平均去噪时间更短。仿真实现过程中,深度学习算法使用预先训练好的网络模型直接进行去噪,无需和传统算法一样多次手动设置大量参数,处理大批量任务时相对简单。综合主观评价和客观评价,有监督深度学习去噪算法Dn CNN在本文的测试集上去噪效果最好,但在去除本文设置的最高噪声σ=50时,其平均PSNR和SSIM值不如新提出的一种自监督深度学习算法Self2Self。Self2Self算法基于单张噪声图片本身就可实现去噪,却取得了和需要大量外部训练样本对的Dn CNN和Noise2Noise算法相近的效果,去噪效果也优于传统去噪算法,同时它还具备盲去噪功能,相比之下更适合训练数据极度匮乏的真实图像去噪问题。作为去噪算法的新思路,它的可行性和有效性表明了深度学习在去噪领域的发展潜力。