图像是人类传递信息的主要媒介,也是人们的日常生活中不可缺少的信息载体。然而,在图像的传播或记录过程中,难免会受到各种噪声的干扰。噪声会影响图像的视觉效果,掩盖图像细节甚至给图像的后续操作带来极大的困难。因此,图像降噪技术的研究具有重要的理论和实际应用价值,它旨在减少图像中的无用信息的同时,最大限度地保留图像细节。然而,在真实图像的去噪上,样本数据非常不充足甚至极度匮乏,同时不同噪声的概率密度函数有较大差异,这给研究者带来了极大的困难。随着人工智能技术发展,深度学习在图像去噪任务上取得了重大的突破,在降低图像噪声的同时仍能保留足够的细节或边缘信息。与传统方法相比,深度学习方法可以在特定噪声的图像降噪问题上取得很好的效果,但是这种技术往往依赖大量的样本数据,而在现实环境中,获取大量有效样本数据极其困难。本论文在前人研究的基础上,提出了一种收缩卷积自编码模型,该模型在少量训练样本的情况下,依然具有较好的泛化能力。研究工作分为两部分:第一部分针对传统自编码器网络结构进行优化,使用卷积反卷积对称网络结构代替原始网络的全连接层,并且卷积层与反卷积层之间利用跳层结构相连。卷积层负责捕获图像的抽象特征,反卷积层利用过滤噪声后的图像特征来完成由图像特征到图像的转换,并且恢复图像细节。将卷积与反卷积层进行对称跳跃连接的跳层结构能够有效地缓解自编码器网络结构训练时产生的梯度消失问题,加快模型训练收敛的速度。第二部分针对传统自编码器的目标函数进行优化,提出了 MSSIM(平均结构相似度)辅助MSE(均方误差)作为图片重构误差函数,并添加了 KL散度作为稀疏性度量,提升隐藏层编码的稀疏性。同时还增加了雅可比矩阵的F-范数作为惩罚项,使模型能够提取到更加鲁棒的特征。本文提出的降噪模型在不同噪声及不同风格的图像数据集上进行了实验,观察了降噪后图像的直观表现,并选取了图像降噪前后的信噪比和结构相似度值作为客观评测指标,与三种经典的降噪算法进行对比。实验结果表明,该模型在高斯噪声及椒盐噪声的平滑图片上具有显著的降噪效果。