图像去噪问题作为图像处理研究的核心问题,由于噪声分布的复杂性和多样性,以及研究本身的局限性,使得图像去噪问题研究的热度和进展不如识别、分类等其他图像问题。然而,图像去噪问题却具有较高的研究价值,作为其他图像分析任务的基石,获取一幅干净的图像是提取图像信息的关键。依据噪声和图像信息的关系,噪声干扰的存在形式可分为加性噪声和乘性噪声,因此本研究针对普遍存在的加性高斯噪声和乘性斑点噪声,通过深度学习模型的设计与结构改进,对更优的去噪方法进行了一些探索。首先,加性高斯噪声的研究一开始集中在基于先验知识和统计特性的传统方法上,但这一类方法存在依赖先验知识,图像纹理过光滑的问题;近几年随着深度学习的发展,图像去噪研究也开始借用深度学习的力量,但现有的深度模型随着层数加深,存在计算复杂度增加,硬件计算负担不断增长的问题。针对上述问题,在前人提出的深度模型基础上进行改进,本文提出了一种结合空洞卷积和残差学习的合理设计。改进的结构是一种拥有更少层数和训练参数的轻量级网络,并结合提出的混合损失函数,实现了更好的高斯噪声非盲去噪效果。接着,针对在未知噪声强度情况下,盲高斯去噪研究领域缺少针对性模型设计的问题,在本文设计的轻量级卷积网络模型的基础上又进行了进一步的结构改进,提出了一种通过注意力机制进行信息指导的双分支任务分离网络模型,可以很好地适应盲高斯去噪问题的复杂性和对模型泛化能力的高要求。依旧不增加网络深度,而是在模型宽度上进行任务分离,并且使用并联的噪声分布估计网络来构造注意力模块指导双分支的去噪表现。实现了较大范围内未知噪声强度去噪问题更有效的解决。最后,通过分析乘性噪声与加性噪声分布特性的本质区别,提出了基于U型网络和特征融合思想的深度学习去斑模型。现有的深度模型学习噪声残差的思路并不适用于乘性噪声去除,因此,针对这个问题,本文提出了一种新的网络结构,实现了医学图像乘性斑点噪声的有效去除。