数字图像为人们汲取实时信息提供了便利性,但是在信息处理和传递的过程中易受到噪声干扰,造成图像内容识别、分析和理解困难。因此,图像降噪技术对于获取清晰的视觉效果显得尤为关键。近年来基于信号稀疏表示和深度学习的方法成为了研究图像降噪技术的主要手段。然而,大部分基于稀疏模型的去噪方法直接从噪声图像中进行字典学习,因此字典的性能容易受到噪声影响而对深层特征提取能力不足。基于深度学习的去噪方法虽然获得了良好的性能,但是去噪过程机理不明,对不同噪声强度的适应性不好。因此为了获得高效的去噪性能,针对图像去噪研究中存在的问题以及现有去噪方法的短板,本文对以下两个方面展开了研究:（1）提出基于非局部块组稀疏特征距离约束的图像去噪方法针对现有方法的去噪性能受限于含噪图像中非局部先验且稀疏表示不够准确等问题,本文提出一种基于非局部块组稀疏特征距离约束的图像去噪方法。首先,利用预滤波处理减弱噪声以获取可靠的非局部图像先验并从中求取组稀疏估计作为原始图像的合理参考,并结合噪声图像内部先验同时用于图像去噪;其次,通过设计更符合二维图像块组数据特性的基于二维奇异值分解的学习字典提取图像本质特征,同时促进图块间和块内的稀疏性;再次,为了获得优良的图像去噪性能,提出了组稀疏特征距离约束,通过减小组稀疏系数矩阵之间的特征模式距离来逐步提高特征匹配度;最后,采用软阈值算法对模型进行求解,实现图像去噪。实验结果表明,所提出的去噪方法在视觉上呈现出清晰的边缘和轮廓,能够在有效保留图像结构特征的同时抑制视觉伪影。（2）提出统计模型引导下的深度学习图像去噪方法上述研究通过人为地设计先验正则约束模型的方式实现图像去噪,其中涉及到复杂的迭代优化过程,且线性字典的表示能力不足。为了进一步加强学习字典的深层次表征能力,在上述研究基础上,借助于能够在PGU上实现并行加速处理的深度神经的网络的大学习能力,本文提出统计模型引导下的深度学习图像去噪方法。首先,为了合理利用现有的退化模型和稀疏先验,让网络具有更灵活的学习的能力,建立基于最大化后验概率优化目标函数,采用梯度下降法更新稀疏参数;其次,根据模型的迭代优化过程推理出神经网络的构建形式并在该网络中进行卷积字典学习,利用网络非线性映射的逼近能力逐步优化稀疏系数使得深层特征得到更好表达;最后,在网络训练过程中,为了避免训练样本中噪声对字典表示能力的限制,将干净图像作为训练样本,以统计模型为引导,以稀疏性为约束条件建立损失函数来训练字典,以此有效提取图像特征。在Set5、Set12以及BSD68数据集上的实验结果表明,从量化指标和视觉效果对比中都体现出了本方法的有效性。同时,本研究为将图像去噪的优化模型集成到网络构建和训练中提供了一个新的思路。