合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动式成像雷达,具有全天时、全天候、宽波段等光学遥感图像替代不了的优点。然而SAR成像技术固有的缺陷会不可避免地生成相干斑噪声,为后续雷达图像解译任务带来困难。因此,SAR图像相干斑噪声抑制研究一直是雷达图像解译技术的一个重要研究课题。近年来,深度学习技术逐渐被应用于各种自然图像处理任务并获得了良好的效果,这为SAR图像抑斑任务提供了新思路。本文从深度学习理论角度研究基于卷积神经网络SAR图像相干斑噪声抑制算法,主要创新内容如下:（1）本文提出了一种基于多尺度交互网络的SAR图像抑斑方法。该方法通过不同尺寸的卷积核及残差连接构成多尺度交互特征提取模块（Multi-scale Interactive Feature Extraction Module,MIFEM）以获得不同尺度下的特征同时加快网络收敛速度;在多个MIFEM间通过简化版密集连接方式使网络能够充分利用网络浅层纹理特征;引入残差学习策略,使整个网络学习含噪图像到干净图像的映射。实验结果表明,该方法不仅使用较少的参数量,还能够保证性能的提升。（2）从改进激活函数角度出发,提出了一种基于可学习激活函数的SAR图像抑斑算法。线性修正单元（Rectified Linear Unit,Re LU）函数作为一种激活函数,能够使网络具有稀疏性,加快网络收敛速度等优点,从而被应用于各种网络模型。本文从门限单元角度重新解释Re LU函数,并以此为基础设计可学习激活函数。为验证该函数的性能,选择已有且网络结构简单的方法如ID-CNN,以避免复杂的网络结构影响其性能比较。最后将该激活函数引入第一部分设计的MIFEM并将其命名为x MIFEM。实验结果表明,该函数以少量参数的增加为代价提升了网络抑斑性能。（3）从传统算法与神经网络相结合的角度出发,提出了基于多级小波变换的SAR图像抑斑网络方法。小波变换具有优良的时频特性,能够将图像切换至频域实现噪声抑制。此外,小波变换的尺度分解特性以及可逆性,使其能够在下采样与上采样过程中避免丢失大量信息。基于这些优点,本文将卷积神经网络分别插入多级小波变换与逆变换操作中,同时采用特征拼接操作以充分利用网络浅层特征信息。最后引入残差连接得到最终网络结构。实验结果表明,该思路能够有效提升网络抑斑性能。