对于图像去噪问题的研究长期以来都在计算机视觉领域中占据十分重要的地位,这是因为基础图像的质量将在很大程度上制约后续图像信息处理的效果。图像噪声的类型多种多样,而高斯噪声的特性使其成为图像去噪算法研究中最为核心的一种,本文的研究重点也正是图像的高斯去噪问题。过去传统的图像高斯去噪方法建立在图像先验知识模型的基础上,这依赖人的经验,可能导致在建模的过程中难以利用到图像的一些高级特征,存在一定的局限性。近些年伴随深度学习的发展和硬件性能上的提升,基于深度神经网络的图像高斯去噪方法展现了其优秀的性能,逐渐成为主流的去噪方法。然而现阶段基于深度网络的图像高斯去噪方法还存在许多不足。首先,目前主流的基于深度神经网络的图像高斯去噪方法的研究并没有充分利用到深度学习在模式识别领域的最新成果,因此对于深度去噪网络性能上的提高还有空间。此外,目前主流的去噪网络的应用范围还存在限制。在特定噪声水平的场景下,我们往往需要单独训练一个专门的模型来完成图像高斯去噪任务,也即目前的深度去噪网络缺乏足够的图像盲去噪能力。最后,目前对于图像高斯去噪效果的量化评价指标可能不够完善,最新研究成果中对量化指标值的微小提高难以直接反应在去噪图像的人眼感受质量上。鉴于目前对图像高斯去噪问题研究的不足,本文在两个方向上对图像高斯去噪深度网络做出了改良。一方面,我们从网络结构着手,将深度学习中最新的成果迁移到图像高斯去噪网络,并提出了一种基于残差学习的图像高斯去噪深度网络,大量的实验结果表明我们在本文中提出的网络具备优异的图像高斯去噪效果,且可以应用在图像盲去噪的任务中。另一方面,我们不再一味追求图像高斯去噪的量化指标高低,而将提高去噪图像的视觉感受质量作为目标,设计了基于生成对抗模型与感知损失的深度去噪网络。实验结果表明,我们提出的方法在图像高斯去噪任务中既能取得与主流图像高斯去噪方法相当的去噪效果,还能更好地保留去噪图像的纹理细节。