近年来,视频作为可视媒体数据的重要组成部分深深影响着人们的生活。视频信号在产生、传输过程中常受到噪声的影响,给用户带来不良的视觉体验。视频去噪是提升视频质量的有效手段,并且是视频处理领域的热点研究问题之一。近年来,基于经典信号处理方法的视频去噪已经遇到了技术瓶颈,基于深度学习的去噪方法正成为主流的视频去噪方法。基于深度学习的视频去噪方法虽然带来了去噪性能的显著提升,但仍无法充分利用视频内部的先验信息实现视频去噪,因此性能提升有限。此外,复杂的深度神经网络结构也限制了这种去噪方法在实际中的应用。为解决这些问题,本文提出了基于先验信息的卷积神经网络用于视频去噪,具体研究内容如下:1、本文充分利用视频的时序先验信息构建深度卷积神经网络。为准确有效地获取视频先验信息,采用基于预去噪和块匹配法完成运动补偿,消除视频噪声和运动偏移对先验信息获取的影响,提高信息利用效率。2、对于卷积神经网络方法用于视频增强时峰值信噪比指标高而视觉观感较为平滑模糊的问题,本文采用了一种感知损失来训练卷积神经网络,特别是采用了Alex网络来提取增强后的视频和标签视频中的深层特征,结合两者的深层特征信息和L1损失函数引导神经网络训练,提升去噪视频纹理细节的构建。3、对于卷积神经网络浮点运算次数高、网络权重多以及内存使用率大等问题,本文利用双路式网络结构和稠密连接技术设计了一种轻量化神经网络。该神经网络结构对输入视频帧进行分路处理,通过降低特征分辨率大小的方法减少浮点运算次数,结合稠密连接技术实现特征复用以减少网络权重和计算复杂度问题,跨连接输入视频和噪声评估以实现残差学习从而达到更良好的网络性能。经实验验证,本文所提出的方法在有效保持去噪性能的基础上,显著降低了运算复杂度,达到了轻量化神经网络结构的目的。