随着信息化时代的不断发展,人们日常生活中接受到的信息越发冗杂,而在各类信息中图像信息无疑是最重要的主体,但图像信息质量受到成像系统散焦、设备运动或是器材固有缺陷的影响,往往不能达到理想要求,由此提高图像信息质量的图像复原技术应运而生。而图像去噪是图像复原最基础也是最重要的部分,去噪结果的好坏直接影响着机器视觉后续各类任务的成败,因此研究图像去噪算法具有很大的现实意义。近年来,得益于不断发展的计算机计算能力,深度学习通过大规模数据集、高层数深度神经网络在计算机视觉领域取得了很多成果,已逐渐成为机器视觉领域最炙手可热的研究方向。而对于图像复原研究领域,传统滤波类方法的研究已到达一定瓶颈,因此众多研究人员开始着眼于将深度学习应用于图像去噪。本文基于图像复原算法的理论方法和核预测神经网络模型（Kernel Prediction Networks,KPN）,着重于深度学习方法在图像去噪上的研究,论文主要包含以下工作内容。（1）针对实际有限的计算资源,基于python语言与Pytorch深度学习框架,采用KPN作为图像去噪的主体网络,并与传统去噪算法进行实验对比,证明此方法相较于传统方法具有较大优势,同时发现了此方法存在的高时空复杂度以及去噪效果还有提升空间的问题。（2）基于自动机器学习中的神经网络架构搜索方法（Neural Architecture Search,NAS）,分析了不同搜索空间、搜索策略以及性能评估对于模型的性能影响,并择优确立网络搜索框架来对Open image dataset自制图像去噪数据集进行核预测神经网络最佳架构搜索。最终搜索出网络层数少、去噪效果强的NAS-KPN模型架构,并通过在数据集上二次训练得到新网络参数。在结果对比中发现NAS-KPN模型时空复杂度降低、去噪效果有所提升,但仍存在结果图像非纯色区域过多噪点的问题。（3）结合非局部均值（non-local mean,NLM）思想,在NAS-KPN的图像输入层加入噪声图像非局部均值化操作,并设立对比实验探究图像噪声信息在图像部分和噪声水平数值直接引入的效果,实验结果证明噪声信息在图像和数值层面共同引入会达到最佳去噪效果。此外为验证模型的泛化能力,在不同构建类型的真实世界图像去噪数据集Poly U和SIDD（Smartphone Image Denoising Dataset）上进行了对比实验,进一步验证了NAS及NLM操作对于网络模型泛化能力的提升。综上所述,本论文以KPN为主体网络,通过NAS对模型进行重构,并结合非局部均值思想进一步优化新模型,最终得到的网络模型在去噪效果、泛化能力以及时空复杂度上均取得了较好的效果。