在如今信息高速发展的背景下,随着各种数字数码产品的普及,图像已经成为日常生活中最重要的信息载体,它包含着大量的信息,是我们获取外界信息的主要途径。然而现实中的图像在成像和传输过程中由于经常受到外部环境和成像设备的影响,图像的质量受到损害,严重影响后续图像处理和分析。因此长久以来图像降噪是机器视觉领域一个重要的研究分支,它在保证图像信息完整的同时,尽可能的去除图像中的噪声。然而,由于不同实际应用中图像噪声的数学统计分布各不相同,因此我们不可能一劳永逸地提出一种降噪算法来应对所有的噪声。随着神经网络技术的发展,基于深度神经网络的降噪模型已经表现出了很好的降噪能力,但是这种模型往往需要大量的标记数据和性能优越的集群进行模型的训练。然而对于一些特定的领域,如地震勘测、生物图像信息等,获取大量有效的标记图片几乎是不可能完成的任务。本论文结合当前的降噪自编码神经网络和传统的稀疏表示理论,提出了一种基于残差正则化的稀疏降噪自编码器模型。论文在最小化重构误差的基础上,增加了最小化相邻残差块之间相关性的正则化项,从而使残差统计特性更加接近噪声的统计特性,达到更好的降噪效果。另外通过滑动窗口的方式,将原始的图片切割成统一大小的图像块,这样新方法只用一张图片就能训练自编码器网络,完成图像降噪任务。本文提出的降噪模型在不同的图像数据集上进行了降噪实验,通过定性分析图像的降噪效果和定量分析图像降噪后的PSNR和SSIM值,并与经典的降噪算法进行对比。实验结果表明基于残差降噪稀疏自编码器模型具有很好的降噪性能,能够利用原始图片进行直接降噪,具有非常高的应用价值。