数字图像在获取过程中,由于采集环境、传感器设备等条件不理想,往往会受到不同程度的噪声污染。这种噪声污染具体表现为像素之间存在明显割裂感或出现吸引视觉注意力的孤立像素点或者像素块。随着信息时代的来临,视觉信息尤其是数字图像信息对人们的生活和工作影响越来越大。噪声的存在严重扰乱人们对图像正常、真实的视觉感受,噪声的污染也进一步影响图像增强、图像识别等后续对图像的深度处理和应用。因此对图像降噪以获取更高质量的图像,使图像的清晰度、平整度、纹理细节等都尽可能接近真实状态,是计算机领域的一个重要研究方向。传统去噪方法主要是基于空间域像素特征的去噪和基于变换域的去噪,具有代表性的算法有非局部均值去噪算法和小波变换去噪算法。传统方法去噪效果一般,并且需要手动选择参数,优化算法实现比较复杂。深度学习技术近年来具有突破性进展,并在多个领域取得了商业化成果。在图像去噪领域,卷积神经网络去噪得到主流认可,且已发展成为当前最先进的去噪方法之一。尽管基于卷积神经网络的去噪方法取得了显著的效果,但现有的卷积去噪网络仍存在一定的局限性。首先,盲目增加网络深度。网络感受野的大小是保证去噪效果的关键,有些去噪网络盲目增加网络深度,以此增大感受野。这导致训练过程易出现梯度爆炸或者梯度弥散现象,同时增加了网络的计算代价。其次,去噪模型提取噪声不够彻底。以往的网络作为端到端的单网络模型,映射出的去噪图对噪声清除不彻底,易出现边缘模糊、细节纹理涂抹等现象。最后,去噪模型的泛化能力差。现有的基于深度学习的去噪方法盲目利用网络的建模能力,层与层之间没有注重对提取特征的选择,致使模型泛化能力差,对单一高斯白噪声去噪效果好,对图像的盲去噪却收效甚微。针对以上问题,本文提出一种新颖的去噪网络模型,即基于双层冗余结构和混合空洞卷积模块的图像去噪网络。该网络分成特征混合提取、注意力激活以及图像重建三个模块。特征混合提取模块用多分支并行网络结构先进行浅层提取,然后用标准卷积层和不同空洞因子的空洞卷积层组合的形式来提取噪声特征。同时,上下两层的子网络同步训练得到两个冗余的噪声特征映射,之后融合成一个噪声特征映射,保证训练的稳定性和去噪的可靠性;注意力激活模块将提取到的特征用激活函数激活后作为权重,并基于该权重对之前获取的特征图进行加权融合,从而起到特征筛选的作用;图像重建模块将原始待去噪图像与残差映射得到的噪声特征图像进行融合,通过剔除噪声得到去噪后的干净图像。论文的主要创新点如下:（1）针对传统去噪网络盲目增加深度来增大感受野的问题,提出混合标准卷积和空洞卷积的模块,并基于该模块提出上下两层的冗余去噪结构。这种设计使模型扩大感受野的同时,能够更加精细提取噪声特征,以兼顾去噪效率与去噪性能。（2）针对传统网络泛化性差的问题,采用跳连接的方式将全局特征与局部特征融合,然后将融合后的特征利用激活函数激活得到特征权重,对特征加以引导性筛选和改造。这种注意力机制使模型对未知噪声有更好的泛化能力,能够直接用于图像盲去噪。（3）针对传统去噪网络提取特征易造成细节损失的问题,采用大小不同的卷积核组成多分支并行的模块结构,并布置在浅层网络用于获取不同尺度的低级特征。这种特征提取方式既扩大了感受野的映射区域,又增强了去噪网络对不同尺度特征的敏感性。本文将提出的网络在BSD68数据集、CBSD68数据集、Set12数据集等具有广泛通用性的图像数据集上进行去噪实验,并将结果与其他先进的去噪算法进行比较。实验结果证明,本文提出的去噪网络能够获得更好的去噪效果且具有良好的泛化能力,能直接对图像进行盲去噪。