随着数码照相机和智能手机的飞速发展,数字图像处理技术也随之兴起。数字图像存在于我们生活中的方方面面,但数字图像容易受到成像系统、存储容量和网络带宽等多种因素影响,进而受到噪声污染。针对噪声图像的修复,是当前工业界和学术界的一个研究热点。随着卷积神经网络技术的巨大发展,近年来出现了以卷积神经网络为基础的图像去噪技术研究热潮。本文主要研究内容和贡献如下:1.多层次卷积神经网络采用下采样和上采样操作,由于下采样操作可以增加网络的感受域,因此基于多层次卷积神经网络的方法在图像去噪任务中取得了巨大的成功。不幸的是,多层次卷积神经网络的层次或深度增加,并不能带来去噪性能的线性增长。为了解决这个问题,本文提出了含多层次注意力机制的多尺度多层次重组去噪网络（DnM3Net）,其主要采用多路网络并行机制,并将多尺度特征提取模块、由精到粗特征融合策略和多层次的注意机制模块嵌入到双路并行子网络结构。在DnM3Net网络结构中,利用双路并行子网络进一步提高网络的学习能力和特征提取能力;利用由粗到细特征融合策略,更好地在去噪和细节保留之间取得平衡。在仿真的灰度和彩色高斯噪声图像上进行实验,验证了该网络结构的有效性。实验结果表明相比目前最先进水平的去噪方法,DnM3Net有效地提高了定量指标和视觉质量。2.现有的去噪网络使用单一监督,网络从始至尾以完整网络进行训练的传统训练模式。本文提出一种新颖的分层训练策略,与之对应的去噪网络称为基于分层训练策略的多层次小波残差去噪网络（HT-MWResnet）。HT-MWResnet将噪声图像和清晰图像的不同层级的小波子带分别作为网络不同层次子网络的输入和学习目标,来更好地捕捉小波子带之间的相关性。网络训练采用渐进式增长的方式,从网络的最底层开始训练,更高的层次逐渐插入到已训练的网络中。与传统训练模式相比较,分层训练策略使得深层网络更容易训练,并实现更好的去噪性能。与其他最先进水平去噪方法在高斯噪声图像上的性能对比实验展示,HT-MWResnet有更好的性能和视觉效果。3.现有的基于卷积神经网络的去噪方法大多依赖于合成的高斯噪声图像作为网络输入和干净的图像作为网络的学习目标,通常当应用到更加复杂处理过程的真实噪声图像上却有泛化能力问题。其主要原因在于真实噪声图像和高斯噪声图像有很大差别。现有的真实噪声图像去噪方法使用真实的噪声图像和清晰图像对作为训练数据,但是这些方法忽略了噪声估计或使用有效性差的噪声估计方法。为了解决以上问题,本文引入基于图像块标准差的噪声估计方法,与之对应的网络称为级联式多层次小波残差真实图像盲去噪网络（CBMWResnet）。CBMWResnet由噪声估计子网络和非盲去噪子网络级联而成。在DND数据集和SIDD数据集上实验展示,CBMWResnet达到最先进的去噪水平。