图像是人类视觉的基础,是自然景物的客观反映,是人类认识世界和人类本身的重要源泉.图像因为其直观形象,易懂,信息量大等优点受到人类的青睐.然而,随着人类对图像的使用越来越频繁,使得人类对图像质量的要求越来越高,因为高质量的图像不仅能够更准确的表达出人类想要表达的有用信息,而且为图像的后续处理提供更为精准的信息.本文研究了图像去噪、图像噪声水平估计和车标识别任务,主要工作如下.1.图像去噪是图像处理中最基本的问题之一,针对这个问题,本文提出一种基于卷积神经网络（CNN）的图像去噪模型,该方法在图像块的裁取上做出了改进.首先,利用卡方分布通过样本噪声水平方差估计真实噪声水平方差,然后根据不同的样本噪声水平方差从图像中裁取不同尺寸的图像块;其次,大量的实验证明Zhang的Dn CNN具有很好的去噪性能,通过在Dn CNN原有的模型基础上进行改进以提高去噪性能.实验表明,本文的模型在一般的图像去噪任务中得到了更好的去噪效果.2.图像噪声水平值是计算机视觉不同领域许多模型的一个重要参数.针对噪声估计的准确性问题,本文提出一种基于卷积神经网络的图像噪声水平估计模型,与以往的图像噪声水平估计模型不同,本文模型使用整张图像进行噪声水平估计.首先,对原始图像进行复制和裁剪,加入不同等级的噪声形成含噪图像;其次,将含噪图像输入到CNN中,并在最后一层卷积层输出特征图;最后,用输入的含噪图像减去卷积层输出的特征图得到噪声图,并将噪声图输入到全连接层中得到噪声水平估计值.实验表明,所提出的模型表现出了良好的估计效果,尤其是对高噪声图像水平进行估计时,具有很高的准确性.3.车标在智能交通系统中起到一个非常重要的辅助作用.针对车标识别准确性的问题,本文提出一种基于改进的残差网络的车标识别模型.首先,对车标图像进行加噪声处理得到含噪图像,然后应用图像去噪模型对含噪图像处理以得到去噪的图像;其次,对残差网络进行改进,使用改进的线性修正单元Leaky Re LU激活函数代替原本的激活函数;最后,对传统的残差网络结构做出调整,将批量标准化和激活函数放在卷积层之前,并减少网络的参数.实验表明,改进后的残差网络模型对车标的识别准确率达到了99.8%,具有很强的实用意义.