在信息传播的过程中,图像是非常重要的媒介载体之一,图像质量的好坏很大程度上决定了信息传递的效率和准确性,而图像噪声的存在一直是影响图像质量的关键因素之一,因此图像的降噪工作是图像处理的关键步骤。电子散斑干涉(Electronic speckle pattern interferometry,ESPI)测量技术操作简单,方便实现实时监测,同时具有检测结果受外界干扰影响小等优势,是测量物体粗糙表面形变情况、振动勘查、内部损坏检测等方面的有效途径之一。ESPI图像中的条纹结构包含着有关物体形变、移位等关键信息,但是在图像的获得过程中,不可避免地会产生大量噪声,对有效信息的获取产生严重干扰,因此ESPI图像的去噪有着较高的研究价值。传统的处理图像噪声的滤波方式具有多样性、原理简单、过程方便等特点,但是降噪效果并不理想,尤其是ESPI图像中噪声的程度较高、种类复杂,降噪处理以后的图像仍然存在较大问题,一方面噪声无法较完全被去除,存在一定程度的噪声残留,对关键信息依旧会产生十分明显的干扰现象:另一方面传统的降噪方法会对图像造成不可忽视的破坏,无法保证图像信息的完整度,条纹信息会出现一定程度的丢失,不利于进一步的信息提取研究。目前,有关深度学习的研究取得了较大的进展,研究表明,神经网络去噪模型取得了相对传统滤波方法而言更好的去噪效果。本论文利用卷积神经网络去噪模型,通过调整参数确定用于网络模型训练的模拟ESPI图像的最优模拟参数,将BM3D(Block-Matching and 3-D filtering)-自适应 TV(Total Variation)算法和卷积神经网络(Convolutional Neural Networks,CNN)模型相结合,提出了改进的基于BM3D-自适应TV滤波的CNN去噪模型,通过实验可以看出,这一模型有效地改善了传统方法中存在噪声残留的现象,对于较高程度的噪声也能取得较好的降噪效果,同时可以有效地保证图像信息的完整性,避免了原图像中有效信息的丢失现象,条纹边缘信息也可以得到较好的保护,为后续相位信息提取等研究提供了更好的基础工作。本论文的主要创新点是:1.将深度去噪卷积网络模型用于散斑干涉条纹图去噪,利用模拟图像训练模型,通过对比实验获得最优的模拟图像方法和最优化的网络参数,实验表明该方法相较于其它方法而言有更好的降噪效果,同时图像条纹和边缘信息得到了较好的保护,避免了有效信息的丢失,但是实验结果显示该方法降噪后的图像依旧有少量的噪声残留。2.将BM3D-自适应TV滤波和神经网络方法相结合,提出了一种改进的基于BM3D-自适应TV滤波的双通道卷积神经网络去噪方法,通过将模拟图像和真实图像分别送入两个不同的通道共同训练模型,用于真实的ESPI图像去噪。通过实验结果分析发现,改进以后的方法在保证图像信息的完整性,避免条纹细节信息发生丢失的前提下提升了降噪效果,避免了残留噪声对相位提取等后续研究的影响。