散斑噪声广泛存在于光学检测和医学成像等领域的图像中,如电子散斑干涉（Electronic Speckle Pattern Interferometery,ESPI）条纹图和光学相干断层扫描（Optical Coherence Tomography,OCT）视网膜图像等。散斑噪声的存在降低了图像的质量,严重影响从图像中获取所需的有用信息。因此,研究去除散斑噪声是十分有意义的工作。实际工程中往往需要对多幅图像去噪,传统的方法需要逐帧地进行处理,既不方便又费时。深度学习技术的兴起,为不同的研究领域提供了新的研究思路。快速灵活去噪网络（Fast and Flexible Denoising Network,FFDNet）是一种新进的基于深度学习的自然图像去噪网络。本文将基于FFDNet开展散斑去噪研究,并将其扩展应用于ESPI条纹图和OCT视网膜图像的散斑噪声去除中。具体内容如下:（1）本文开展基于FFDNet的去噪方法研究,该网络融入了残差学习的思想,构建一个残差映射通过多层卷积神经网络学习原始图像中的噪声分布,使用原始图像减去网络学习到的噪声即可得到去噪结果。（2）针对动态电子散斑干涉测量时需要进行大批量条纹图处理的情况,本文提出一种基于FFDNet的ESPI条纹图批量去噪方法。本文使用一种新的计算机模拟方法创建ESPI条纹图去噪网络的训练数据集。本文在一组模拟图与两组实验获得的ESPI条纹图上进行了测试,实验证明本文所提方法在去除散斑噪声的过程中不需要复杂的参数调整,特别适合处理大量多帧的ESPI条纹图像。本文将提出的ESPI条纹图去噪方法应用到ESPI动态热变形测量中,实现了动态测量中ESPI条纹图的批量去噪并提取了相应的相位,验证了该方法的有效性。（3）本文提出一种基于FFDNet的OCT视网膜图像去噪方法。本文将去噪结果与三种有代表性的方法进行了对比分析;用4种不同病理条件下的共100幅OCT视网膜图像与某位眼部患者在接受治疗过程中采集的一组OCT视网膜图像对本文提出的方法进行了测试。实验表明本文提出的OCT视网膜图像去噪方法能够在快速有效地降低散斑噪声的同时,保护图像边缘、纹理等结构信息,且不需要复杂的参数调整。此外本文将提出的OCT视网膜去噪方法应用于OCT视网膜图像分类中,通过对比去噪前后分类的准确度,进一步验证了本文提出的OCT视网膜图像去噪方法的有效性和实用性。