图像去噪一直是图像处理任务中研究的热点问题,由于在传输过程中受到接受信号设备以及在传输过程中的外界因素干扰导致了图像信号的产生。图像噪声影响人主观的视觉感受,对于如医学图像,卫星图像等对图像质量标准较高的任务领域,其对于去噪的要求是严格的。现有的去噪算法对于低强度的噪声信号能做到比较好的去除,但是对于高强度的噪声无法有效去除。在光学加密技术的研究中,双随机相位光学加密系统因为较高的安全性得到了国内外学者的关注。基于联合变换相关器(JTC)的光学图像加密系统结构简单,不需要制作复杂的相位密钥,加密后的图像是一个强度图像,便于记录和传输,然而这种加密方法的主要缺点是解密图像的质量差和存在严重的噪声。传统的去噪算法能在一定程度上去除噪声,但是效果差,对于噪声干扰严重的图像任务无法实现去噪效果。针对光学加密系统中的噪声干扰以及传统算法去噪效果差的问题,本文使用深度学习技术去除光学加密图像中噪声干扰。针对经过光加密的噪声图像,本文提出了一种新的特征提取模块,该模块针对本文噪声数据的特征,使用密集模块增强特征信息的复用,增强网络的性能,加入通道注意力机制,提取有用的特征信息,抑制无用的噪声信息,增强各通道之间的联系性。整体网络模型使用U-Net网络结构,保证图像中的低层信息得到保留,将全局信息和局部信息融合,恢复出高质量的图像。同时引入了对抗网络的思想,生成网络部分采用上述的模型结构,判别网络中加入度多尺度判别器,增强网络提取特征的能力,有助于恢复出高质量的无噪声图像。损失函数部分采用加权组合的形式缩小原始图像和噪声之间的差异,结合特征提取网络VGG-19网络提取图像的细节特征。恢复出高质量的无噪声图像。将现有的几种主流的去噪算法进行对比,分析并证明本文算法的有效性。从人眼的主观观察和客观图像的评价标准两个角度进行对比,证明本文方法的有效性。