随着信息时代的高速发展,图像已经成为人类获取和传播信息的重要途径。然而,在现实生活中,图像在采集和传输期间总会不可避免地受到外界各种噪声的干扰,导致图像质量大幅降低,尽可能消除噪声对图像的干扰过程就称为图像去噪。本文通过深入研究现有的CNN去噪方法的一些问题与不足,提出可以盲高斯去噪的B-Dn CNN模型,并进一步改进提出快速灵活的FFDn CNN高斯去噪模型。此外,由于现有的两类图像复原方法分别具有各自的优缺点,本文为了将其优点结合到一起,提出了基于深度CNN去噪器的图像复原框架,该方法可以在保留图像复原任务之间的灵活性的同时具有良好的计算效率。本文的主要研究内容体现在以下几个方面:1.由于判别学习模型应用在图像去噪中可以具有良好的性能,所以本文通过研究Dn CNN模型,尤其是加入残差学习和批量规范化对图像去噪效果的影响,并从理论层面推导Dn CNN模型与TNRD算法之间的关联,并提出可以在未知噪声水平的情况下能够高斯去噪的B-Dn CNN模型。大量的实验结果表明,我们的B-Dn CNN模型不仅具有良好的去噪效果,而且对真实含有噪声的图像也有一定的应用潜力。2.虽然判别学习方法在图像去噪中有广泛的应用,但这些方法大多都需要训练多个模型来处理具有不同噪声水平的图像,也缺乏处理空间变化噪声的灵活性。为了解决这些问题,本文提出了一种快速灵活的去噪FFDn CNN模型,在网络结构中加入降采样的子图像和噪声水平图,以便同时获得良好的计算效率和去噪性能,并且可以处理空间变化的高斯噪声,也有着比基准BM3D算法更快的运行速度。实验结果表明,FFDn CNN是一种高效的去噪方法,对实际的去噪应用具有很强的吸引力。3.基于模型的优化方法和判别学习的方法是解决底层计算机视觉中各种图像复原问题的两种主要策略,但上述两种方法分别具有各自的优缺点。例如,基于模型的优化方法处理不同的逆问题是很灵活的,但需要耗费大量的计算资源;同时,判别学习的方法具有优异的计算效率,但受到训练模型的限制使其处理问题的范围很小。为了解决上述问题,本文提出基于深度CNN去噪先验的图像复原优化框架,将去噪先验当作一个模块插入到基于模型的优化方法之中,以解决其他的图像复原任务,并且同时具有处理问题的灵活性和计算效率。实验结果表明,该方法对各类图像复原任务都有良好的处理效果,可以为底层计算机视觉应用提供良好的性能。