图像在采集和传输过程中,成像设备由于受到外界环境干扰,诸如光照强度对设备干扰,会使采集到的图像带上一定噪声。设备自身的缺陷或者设备与物体之间的相对运动也会使采集和传输过程中的图像受到噪声污染。噪声无处不在,生活中我们看到的图像基本都会有噪声的污染。这些噪声会对图像的辨别造成一定的干扰,使得图像处理算法性能下降。因此开展图像去噪研究具有重要意义与实际应用价值。本文以卷积神经网络为研究手段,开展图像去噪算法研究,通过合理设计去噪网络模型,实现快速和高效的图像去噪性能。本文研究主要贡献如下:1.提出一种基于多尺度和残差学习的图像去噪网络模型为了更好的从噪声污染图像中分离出清晰图像,实现高噪声水平下的图像去噪,提出了一种基于多尺度和残差学习的图像去噪网络模型。该模型通过空洞卷积和普通卷积相结合,代替传统不同尺寸的卷积核实现噪声图像多尺度特征的提取,降低了卷积计算复杂度。此外,我们将多尺度特征和残差块级联提升去噪性能。在三个通用数据集上的实验表明,与目前先进的去噪算法相比,基于多尺度和残差学习的图像去噪模型取得了更好的去噪性能,且所提模型对高噪声和彩色图像去噪都取得了不错的去噪效果。2.提出一种基于循环残差块的图像去噪网络模型为了保证去噪性能的同时进一步减少模型的运算时间,提出了一种基于循环残差块的图像去噪网络模型。该网络模型引入了循环结构,将残差块作为基本模型,通过反复迭代的方式逐步去除图像中的噪声,减少了网络层数和参数。此外,模型训练中采用L1和L2混合的损失函数,它可以得到更好的去噪效果。在两个含有不同水平噪声的数据集上的实验结果表明,去噪的视觉效果和PSNR定性分析均优于目前最先进的去噪算法,运算速度也超越了目前大多数先进的图像去噪算法。