图像去噪是图像处理和计算机视觉中的一个基础课题。图像去噪的目的是从噪声图像中恢复不含噪声的原始图像同时尽可能多的保持图像中的细节信息。作为一种特殊的图像修复问题,图像去噪属于不适定反问题,一般有基于模型优化与判别学习两种求解方法。在众多基于模型优化的图像去噪方法中,非局部均值(non-local means,NLM)方法是其中较为新颖的去噪策略,本文针对非局部均值存在的不足提出了三点改进:(1).预先运用超像素分割算法,聚类具有相似局部特征的像素,并在估计中心像素中赋予同类像素更高的权值;(2).利用提出的无参边缘检测方法生成图像的边缘分布图,然后根据搜索窗口内边缘点占比来动态地调整滤波参数h的取值,使得参数h更好地适应图像的局部特征;(3).为了减少图像块相似性度量时噪声的干扰,使用主成分分析(principal component analysis,PCA)的正交单位基来对图像块进行重构,生成图像块的主要成分,然后使用它来度量相似性,此外,还使用新权值函数,来杜绝不相似块对结果的贡献。实验对比表明,三个改进方法相比原始NLM算法去噪效果都有提升。近年来,由于在去除特定等级噪声中有良好的表现,基于判别模型学习的图像去噪吸引了很大的关注。本文设计了一个卷积神经网络模型,用于学习含噪图像中的噪声,间接地达到去噪的目的。去噪网络模型中使用了许多先进的技术与方法,包括relu、batch normalization和residual learning,来加快网络训练进程和改善去噪表现。通过大量样本数据的训练,本文的网络模型去除特定等级噪声的表现明显好于代表去噪最高水准的EPLL与BM3D算法。