图像去噪问题在图像复原工作中是一个重要的研究方向,该问题在对图像质量要求日益变高的今天受到国内外学者们的广泛关注。目前主流的图像去噪算法分为基于模型求解的方法和基于学习映射的方法。前者以稀疏表示模型为代表,挖掘干净图像固有的先验知识。后者以近些年流行的深度学习技术为代表完成图像特征提取工作,通过输入图像数据集供网络模型进行训练以获得图像细节特征信息。为了利用两种算法在图像去噪任务上的优势,本文对噪声图像的去噪问题开展研究,使用稀疏表示和深度学习技术的改进算法来进行去噪,并进行仿真最后得出实验数据并分析。本文的研究工作如下:(1)学习稀疏表示理论应用于图像去噪的相关算法,在此基础上,提出了使用核方法和特征距离矩阵的的稀疏表示去噪模型。主要思想在于利用训练字典稀疏表示噪声图像,通过噪声信息不能被干净图像块稀疏表示的特性,使得稀疏表示向量和字典图像块重构后的图像中无噪声信息,从而达到去除图像噪声的效果。(2)设计了一个深度学习去噪模型,在学习图像噪声信息特征的网络层中加入了残差算法和批归一化算法,使用零填充卷积操作保证每层输入和输出特征维度的一致性,网络模型的输出为图像噪声信息。模型分为两个残差卷积网络模型,两个子网络的输出为图像中的噪声信息,再对输出加权求和,获得融合后的噪声信息,再用噪声图像减去噪声信息得到去噪图像。(3)通过加权融合稀疏表示去噪与深度学习去噪两种子模型生成混合去噪模型,通过多次仿真实验确定两种去噪模型的去噪结果权重参数,得到最佳去噪性能。