合成孔径雷达（SAR）图像由于其相干成像机制,不可避免地会受到斑点噪声的干扰,使得计算机视觉系统很难对SAR数据进行自动判读。因此在将SAR图像应用于各种任务之前,去除斑点噪声是一个必不可少的步骤。虽然有大量的SAR图像去斑算法被提出来,也取得了较好的效果。然而,在去除斑点的同时保持SAR图像更多纹理细节特征,依旧是SAR图像去斑问题的研究热点。本文针对此问题,本着保留图像的纹理细节特征出发,借助深度学习神经网络的强大学习能力,来研究SAR图像去斑问题,具体工作内容包括:（1）提出了一种基于对抗网络的SAR图像去斑算法。首先,用生成器网络对SAR图像预去斑;将预去斑后的SAR图像和干净的SAR图像输入到辨别器中;辨别器通过判断图像真假反馈给生成器,促使生成器相应地调整参数,从而生成一张更干净的图像;直至生成器和辨别器达到一个纳什平衡,网络训练完成。采用对抗网络来训练SAR图像,生成器的参数更新不再是直接来自数据样本,而是使用来自辨别器的的反向传播,可以获得更好的泛化结果。在生成器局部网络中采用了残差密集块来尽可能多的提取SAR图像特征,让浅层特征和深层特征都可以重复利用,并在残差密集块之间增加残差连接,可以最大程度的保持图像的边缘信息。实验表明本方法能够得到较好的视觉效果SAR图像和较高的客观数值指标。（2）提出了一种基于小波变换和神经网络相结合的SAR图像去斑算法。首先,将SAR图像对数化,再利用小波变换对SAR图像进行一级分解;将四个小波子带分别输入到神经网络中进行训练,最后把经过网络训练输出的四个子带再经过小波反变换和图像指数化,得到去斑后的SAR图像。对图像对数化,可以使乘性噪声模型变为加性噪声模型,来适应残差连接。用小波系数矩阵代替原图作为神经网络的输入,不仅可以有针对性的去除不同子带中的斑点噪声,还可以使输入数据的稀疏性提高,从而压缩网络映射范围,减小训练难度。除此之外,网络采用了间隔密集连接,实现图像浅层特征复用。提出的方法能够有效地去除斑点噪声并保留SAR图像的大量纹理信息。