随着互联网的发展和智能设备的普及,图像在生物医学、公共管理等领域发挥着重要作用。然而,由于环境、设备等多种因素影响,图像会不可避免地受到噪声污染,进而直接影响以计算机视觉为基础的相关研究。因此,研究如何有效对图像进行去噪,是计算机视觉领域至关重要的研究课题。近年来,基于卷积神经网络的去噪方法在快速发展的同时依旧面临诸多难题,如深层模型带来的巨大参数量影响实际工程应用、单流网络模型无法在有效去除噪声的同时保留图像本身的纹理特征、以及去噪模型无法同时处理多种类型噪声等问题。本文针对图像去噪算法面临的问题,结合空洞卷积和噪声估计,对基于深度学习的去噪方法从模型大小、图像视觉效果、多噪声处理能力三个方面进行了深入研究,有效提升了图像去噪性能。本文的主要工作如下:针对基于深度学习的图像去噪模型参数量过大的问题,提出一种基于编解码残差网络和空洞卷积的图像去噪算法。该算法使用了一个端到端的神经网络去噪模型,其核心模块相较于普通结构仅需要少量参数便可实现对图像特征的有效提取。同时,残差策略的加入使得正向信息传导和反向梯度传播的过程更为高效。实验分析验证了编解码模块、空洞卷积及残差策略的有效性,并证明了该算法模型在仅需当时最优模型一半参数量的情况下具备更优的去噪效果。针对单流去噪模型难以恢复出图像本身特有的纹理和特征的问题,提出一种基于多尺度门控神经网络的图像去噪算法。其核心模块采用了空洞卷积和门控思想,并用不同的感受野去感知并融合丰富的多尺度上下文信息,有效地实现了对信息的提取。同时,提出了一种基于稀疏思想的损失函数用于模型训练,可有效解决去噪后的图像过于平滑的问题。在高斯合成噪声数据集和脉冲噪声数据集上,实验证明了该算法与其他单流算法相比,保留了更为丰富的图像纹理特征。针对基于单一噪声训练的神经网络去噪方法无法处理其他类型噪声的问题,提出一种基于噪声水平和类型估计的图像去噪算法。该算法为两步式去噪方法,首先使用了噪声估计网络模型对图像中噪声的噪声类型和噪声水平进行拟合,并构建对应的掩码图。随后将前一步得到的噪声类型及水平掩码图与输入图像进行拼接,送入采用了双路并行结构的去噪网络,完成图像去噪任务。实验验证了结合噪声信息去噪方法的有效性,并证明了该方法在多类型噪声盲去噪任务上的优秀性能。