图像是日常生活中的重要信息媒介,在获取、使用等过程中,不可避免受到噪声的影响,破坏图像的质量,妨碍后续的处理。图像去噪问题是典型的病态逆问题,通常是图像迭代求解算法的关键步骤,需要利用先验信息对其进行正则化约束。通常图像去噪技术利用单幅图像的各种先验特征,结合不同滤波方法完成去噪,可采用的先验信息有限,难以有效选取特征保护图像边缘细节,且需手动多次调整参数,效率较低。近年来以卷积神经网络为代表的深度学习技术,通过大量数据训练学习各种图像特征的映射关系,直接去除图像噪声,但容易模糊图像边缘等重要细节特征,导致图像过于光滑。紧框架理论能多尺度分析图像特征,并从特征系数重构出原图像。本文利用紧框架理论结合深度学习的优点,通过构建网络模型智能化学习紧框架特征稀疏表示,自适应估计正则化参数来处理图像特征,实现既去除噪声又保护细节。主要工作如下:（1）提出了紧框架结合卷积神经网络的去噪模型TFCNN。首先,利用紧框架对图像进行多分辨率分解,得到不同频带的图像特征,表征图像中的边缘细节以及噪声。其次,利用卷积神经网络学习紧框架特征系数,分析局部特征的有效性,实现正则化参数的自适应估计。最后,使用软阈值算子对特征系数进行伸缩处理,实现去除噪声。（2）提出了基于残差思想、空洞卷积的紧框架去噪模型ITFCNN。首先,将整体残差映射作为卷积神经网络的学习目标,利用残差思想简化正则化处理流程。其次,在卷积神经网络的浅层采用不同尺寸卷积核,更好地实现图像到特征的初级映射。然后,在网络中设置残差单元结构,保持梯度的传递,提升训练效果。最后,合理使用空洞卷积,在不增加复杂度的前提下加大网络感受范围,学习更丰富的特征。本文根据主客观指标综合评价去噪效果,与主流方法进行对比,通过实验论证算法的有效性。实验结果表明,本文提出的TFCNN与ITFCNN在主客观指标上均能取得一定的提升,可以更好地滤除噪声并保留图像细节。