如今,人们生活在一个信息扁平化的时代,各种屏幕媒介充斥着人们的生活。而统计我们平时所接收的所有信息,其中大部分是来自视觉的信息,这其中的图像信息是一个重要的组成部分。因此,如何提高图像的质量,这一直是人们不断追求探索的问题。并且,随着近几年计算机视觉的迅猛发展,各种基于视觉的算法也越来越依赖于作为基础数据的图像信息,因此计算机视觉等许多科学研究领域也对图像的质量提出了更高的要求。但是图像在采集和传输的过程中,由于采集图像当时环境、传感器局限、图像成像原理、自然噪声污染等原因,都会受到一定程度的噪声的污染,这就要求在后续使用图像的过程中进行图像去噪的相关处理。图像噪声的产生通常是图像采集系统的内在问题和图像采集时的客观环境,如光照、抖动、宇宙背景辐射等导致的,其产生是一个系统性问题,且极难完全避免。本文阐述了几种常用的图像噪声模型,并介绍了基于空间域、频率域、混合域等的多种传统图像去噪方法。但是图像去噪领域浩如烟海,本文选择了几个小点进行了有针对性地研究。结合各种方法的实际表现和近几年深度学习算法的迅猛发展,本文着重于应用深度学习算法进行图像去噪的研究。考虑算法的有效性和有限的计算资源,本文采用U型网络作为图像去噪的主干网络,在第一部分主要探究了U型网络用于图像去噪的可能性。通过具体的实验将其与传统去噪算法进行对比,证明了应用此方法进行去噪相较于传统方法有其优越性。但是在实验中发现,此应用深度学习方法进行图像去噪的算法也有其不足之处。具体体现在算法的空间复杂度和时间复杂度均过大。本文针对这一问题对算法的性能进行优化,应用一种密集连接的U型网络进行图像去噪处理,这种网络具有不同深度层级,通过训练之后的网络剪枝,可以有效地提升基于深度学习图像去噪算法的效率和改善其需要的存储空间,增加其可以应用于嵌入式系统的可能。自然界中图像噪声的产生是个非常复杂的问题,图像噪声因此表现出极大的差异性和不确定性。这种情况在去噪的问题中就表现在:一种去噪算法对一类图像噪声可以起到很好的效果,但是对其它类型的图像噪声总表现得不令人满意。本文针对这个问题进一步对算法进行性能优化,提出了一种增强去噪算法泛化能力的方法,通过应用生成对抗网络对真实噪声的模拟,使神经网络拟合真实噪声的分布情况。在真实噪声的模拟之后,本文分析了模拟真实噪声和人工合成噪声的分布差别,进一步说明了采用深度学习方法生成的噪声的质量要好于基于数学模型生成的人工合成噪声。最后,应用这一真实噪声拟合模型实现了图像去噪算法泛化能力的增强。