在获取数字图像时,图像被噪声污染是一个很难避免的问题。图像去噪是许多其他图像工作的基础,如图像分割,边缘提取,图像识别等,都需要首先经过图像去噪,去除干扰信息。图像去噪会很大程度上影响后续工作的效果,因此对图像进行去噪是非常必要的。近年来,因为深度学习的快速发展以及卷积神经网络（CNN）在图像识别等领域取得了很大的成功,人们开始尝试在图像去噪领域研究基于深度学习的方法。最近的研究中,在高斯白噪声领域,深度学习去噪的结果无论在评判数值上还是在视觉表现上都要远好于传统图像算法。但是在实际应用中,由于真实图像的噪声无法简单的用高斯噪声来模拟并且深度学习算法非常依赖于数据,基于高斯白噪声训练的神经网络在真实图像去噪中的效果并不理想。使用真实噪声图像数据集进行训练的问题在于相关的数据集是非常不充足甚至极度匮乏的,基于模拟数据集训练的网络在处理真实世界的图像噪声时效果可能会不够理想,本文的工作就是为了摆脱真实图像去噪对于数据集的依赖,无监督的进行真实图像去噪。本文以对抗生成网络（Generative Adversarial Networks,GAN）为基础,提出了一种无监督的深度学习图像降噪方法,主要思路为通过GAN生成模拟真实噪声图像来构建数据集,进行真实图像降噪。本文方法通过引入背景一致性损失来保持生成噪声图像的颜色以及通过校正判别器使生成噪声的分布更符合真实图像噪声的分布,在真实噪声模拟及真实图像去噪上均取得了比既有方法更优的结果。本文网络结构在进行小幅修改的情况下能够兼容传统的有监督去噪方法,更进一步的,在采用相同降噪网络结构前提下,可获得更优的降噪性能。此外,本研究方法中,去噪网络可以使用任意结构的神经网络,易于根据应用需求进行小型化及工程化实现。无监督与有监督去噪的结果证明了本文的方法在真实图像去噪的实际应用中是很有效的。