图像去噪算法通过技术处理去除图像中的多余噪声,提高图像的质量,使图像能够保留更丰富的特征,成为了近年来计算机视觉领域的研究热点。随着我国海运与海上军事的发展,对海上的目标图像提出了更高的质量要求,而计算机视觉技术近年来在图像处理与目标识别上取得了很大的成果,具有非常重要的应用价值。将海上船舶图像进行去噪处理可以为海上监管系统提供更多的图像特征信息;此外,通过降噪获取质量优良、清晰度高的图像是后续进行目标识别等其他图像处理技术强有力的保障。经过学者们的大量研究与技术的不断发展,基于深度学习的图像去噪算法被广泛用在图像去噪领域中,但是这类算法在训练的过程中收敛速度缓慢,并且随着网络的加深会丢失细节信息,降低网络的拟合能力。为解决船舶图像在去噪过程中的收敛速度缓慢、网络拟合能力差以及图像细节信息的丢失问题,提高网络的去噪质量,本文对基于深度学习的海上船舶图像去噪算法进行了深入研究,并提出了RDn CNN去噪算法,该算法能够在图像去噪过程中提取更多的图像特征信息,加快网络的训练速度,提高图像的去噪质量与船舶图像的目标识别率。本文的研究内容主要如下:首先搭建Pytorch的开发环境,深入研究基于深度学习的图像去噪算法,并将算法网络分为两个模块,其中模块一主要对输入图像进行多尺度的特征提取,采用三个不同大小的卷积核对输入的图像进行噪声信息的学习,不同大小的滤波器在同一像素点提取到的特征信息也不相同,这样可以使网络学习到更加丰富的特征信息。然后将提取到的特征信息分别在不同的网络通道中训练,再进行特征串联输入到模块二中。为了解决网络越深细节信息越少的问题,在模块二中加入了跳跃连接——将模块一的输出和模块二中每一层的输入一起输入到下一个网络中训练。最后用噪声图像减去训练后的残差信息得到去噪后的干净图像。并在网络中加入批标准化处理技术,可以解决网络在训练时出现的内部协变量偏移的问题;同时,采用PRe LU激活函数增强卷积神经网络学习复杂函数的映射能力,增加网络数据的拟合性。本文训练的图像为爬虫获取的海上各类型的船舶图像,测试集为海上船舶噪声图像,采用不同的训练集和测试集来验证改进算法对航海图像的去噪效果。通过实验数据表明,本文的算法在评价指标峰值信噪比（Peak Signal to Noise Ratio,PSNR）中相比其他方法获取了更高的数值,并且去噪后的图像有更高的目标识别率,由此可见本文算法有较好的去噪性能表现。