图像降噪是图像处理中的一项基础技术,同时它也是图像处理中一项热门研究。图像处理在医学图像中应用广泛,医学图像是医生判断病灶、诊断病情的依据和辅助工具,所以研究如何更好去除医学图像噪声具有重要的现实意义。在分析和研究现有图像降噪方法基础上,发现已有方法仍然存在一些不足,诸如,降噪后出现纹理模糊、对多种噪声情况研究较少、缺乏对真实图像应用等问题。论文主要研究用神经网络如何对图像进行降噪,主要内容有神经网络的构建、参数设置、卷积自编码网络降噪、数据预处理、训练和评价等。包括:（1）构建包含残差模块的卷积自编码网络。该网络由两部分构成,分别是编码器和解码器。编码器由多个结构相似的残差模块构成,每个残差模块包含两个分支:一个残差学习分支和一个恒等映射分支。残差模块是由基本的Re LU函数和卷积层对组成,不同于传统的残差模块,该模块在每个卷积层之前使用Re LU函数,这样有助于训练的网络更容易收敛、所得网络更具有普遍性。然后使用恒等映射作为跳跃连接,让正向或者反向传播的信号能直接在模块之间传播,促进训练的稳定性。（2）为了减少输入图片在深层网络中出现细节信息、边缘信息丢失问题,利用扩张卷积来构造合适的卷积滤波器。使用扩张卷积率来增加卷积层的感受野,且每个扩张卷积的扩张率不同,使最终层的神经元观察到不同尺度的输入特征,减少高频细节的丢失,从而减小网络的训练损失。本文在公共数据集（DX）上进行实验对比分析,实验结果表明网络在训练损失和验证损失上改善了7.8%和6.13%;在不同程度以及不同种类噪声下对数据进行实验对比分析,PSNR和SSIM较卷积自编码网络有所提高;在获取的牙科图像上也取得了较好的视觉效果,本文提出的包含残差模块的卷积自编码网络是有效的。