彩色图像的去马赛克和去噪是在数码相机成像过程中的两个重要的步骤。在传统的处理流程中,通常将上述两个过程独立进行处理,这样会使得两个任务互相限制,从而影响最终结果的准确性。本文研究基于卷积神经网络（Convolutional Neural Network,CNN）的联合去马赛克与去噪（Joint Demosaicking and Denoising,JDD）方法,对输入的含噪Bayer图像,通过设计统一的CNN网络同时完成去马赛克与去噪任务,从而最终复原出清晰的全彩图像。虽然采用超深、超宽的CNN网络可以获得更优的复原质量,但是在许多计算资源非常有限的应用中,部署大规模网络并不现实。因此,本文提出了一种轻量级彩色图像去马赛克网络,并在该网络的基础上进一步扩展,得到一种轻量级的JDD网络。本文的创新点总结如下:（1）为了平衡网络性能和网络参数,本文提出了一种基于多核特征提取的轻量级彩色图像去马赛克网络（Lightweight Image Demosaicking Network,LIDN）。首先,为了有效地提取浅层特征,提出了考虑Bayer采样位置的多核特征提取（Multi-core Feature Extraction,MCFE）模块。其次,利用通道间相关特性,提出了一种注意力感知特征融合（Attention-aware Feature Fusion,AFF）模块,有效地重建了全彩图像。此外,还设计了一个特征增强（Feature Enhancement,FE）模块,该模块包含多个级联的聚合增强块（Aggregated Enhancement Block,AEB）,以进一步精炼特征。为了证明所提出的网络的有效性,比较了几种现今最优（State of the Arts,SOTA）方法。实验结果表明,和其他网络相比,该网络在参数数量最小的情况下获得最高的彩色峰值信噪比（Color Peak Signal to Noise Ratio,CPSNR）和结构相似性指数（Structural SIMilarity index,SSIM）。（2）在上述网络的基础上,本文进一步提出一种轻量级的联合去马赛克去噪网络（Lightweight Image Joint Demosaicking and Denosing Network,LIDDN）。首先,提出噪声水平特征自适应引导（Noise Level Features Adaptive Guidance,NLFAG）模块,其主要作用是学习不同阶段下特征图的噪声水平特征。其次,提出空间和通道注意力特征增强（Spatial and Channel Feature Enhancement,SCFE）模块。SCFE引入空间注意力机制,该模块能很好的区分平滑和高频的空间信息,使得网络能在图像中心和边缘纹理位置上拥有更出色的去噪性能。最后,使用AEB代替AFF模块中的CA模块得到注意力感知特征融合加强模块AFF+,加强初始重建网络对含噪图像的处理能力。通过实验表明,和其他的SOTA方法相比,LIDDN获得了最优的全彩图像质量。