合成孔径雷达（Synthetic Aperture Radar,SAR）以其独有的全天候、全天时成像特点,在军事和民用方面有众多的研究和应用,如:军事测绘、海洋监测、资源勘探等方面。然而,受相干成像机制的影响,SAR图像会带有相干斑噪声,该噪声的存在降低了SAR图像的信噪比,使图像中的目标信息受到遮挡,从而严重地影响了图像质量,模糊了图像中的重要信息,为后续进行SAR图像高水平处理任务带来巨大的挑战。因此,如何对SAR图像中的相干斑噪声进行去除,并保留图像中的纹理信息是一个重要任务。传统的SAR图像去噪算法在运行时间和细节保存能力上存在一定缺点,而且SAR图像缺乏干净的参考图像,图像中噪声也非常复杂,这使得真实SAR图像去噪问题非常具有挑战性。随着深度学习在图像领域的不断应用,为了在图像去噪任务中取得更好的效果,许多基于深度学习的去噪算法被提出来。然而,基于深度学习的去噪算法在训练过程中容易出现梯度消失和爆炸问题,这往往会导致去噪效果不太理想。受现有深度学习网络模型的启发,本文构建了三种基于深度学习的SAR图像去噪算法,有效地提升了去噪算法的性能。本文的主要内容如下:（1）基于多级残差注意力网络的SAR图像去噪算法本文受特征融合注意力网络框架的启发,利用残差和通道注意力思想构造了多级残差注意力网络用于SAR图像去噪。该网络模型首先通过两个卷积层对输入的噪声图像进行简单的浅层特征提取;然后,利用残差注意力网络提取深层次特征;最后采用单层卷积生成最终的去噪图像。该网络结构使用了局部残差学习和跳跃连接有利于模型在训练时快速收敛,便于生成干净清晰的去噪图像。实验结果表明,该算法在模拟和真实SAR图像上具有很好的去噪效果,同时更好地保持了图像边缘细节。（2）基于多尺度残差密集双注意力网络的SAR图像去噪算法为了平衡去噪和纹理保持之间的关系,本文构造了一种多尺度残差密集双注意力网络用于SAR图像去噪。该算法可以在有效地抑制相干斑噪声的同时充分地保留图像的纹理细节信息。该算法首先通过不同核大小的多尺度模块对输入的噪声图像进行浅层特征提取,然后进一步将提取的浅层特征映射到残差密集双注意力网络中以获得SAR图像深层次特征,最后通过全局残差学习生成最终的去噪图像。多尺度残差密集双注意力网络兼具多尺度块和残差密集双注意力网络的优点,其中密集连接能够充分提取图像中的特征,而双通道注意力使得多尺度残差密集双注意力网络能够更加关注噪声信息,有利于在对噪声进行处理的同时更大程度地保留原始图像的细节信息。实验表明,与最先进的SAR图像去噪算法相比,本文算法不仅在各个客观指标上有所提升,而且在去噪后的视觉效果上也表现出了很大的优势。（3）基于特征细化注意力网络的SAR图像去噪算法针对SAR图像去噪提出一个新颖的特征细化注意力网络。该网络首先利用特征细化子网络对输入的噪声图像进行细化处理,在加速网络训练的同时提取更多有用特征;其次,在算法中,本文构造了特征注意力编解码网络进行深层特征提取。FRANet采用非对称的编解码结构对感受野进行扩大,可以在提高信息提取能力的同时有效地减少网络模型的参数量;最后,FRANet通过全局残差获得最终的去噪SAR图像。通过与不同去噪算法进行对比,本文所提出的去噪算法能够在运行时间和去噪性能上取得更好的效果。