数字图像在获取和传输过程中,由于受到外部环境干扰或设备元器件故障的影响,会产生各种图像噪声。其中,椒盐噪声是一种常见的噪声类型,在图像上显现为黑点或白点,严重影响图像视觉质量及图像在工程领域的应用,因此图像椒盐噪声的去除方法得到了广泛的研究与应用。目前,图像椒盐噪声的去除方法主要归为两大类:一类是传统的滤波算法,另一类是深度学习算法。传统滤波算法依赖于噪声像素的检测准确率和噪声像素的重建精度,目前这类方法对于去噪性能的提升存在较大的局限性。基于深度学习的去噪方法,通过训练一个端到端的深度卷积神经去噪网络,能够在图像去噪性能上取得显著优势。本文提出了一种基于噪声注意的椒盐噪声去噪网络,用于去除灰度图像与彩色图像中的椒盐噪声,在现有同类算法基础上进一步提升了去噪性能。主要研究工作概括如下:（1）以典型的深度去噪网络Dn CNN为启发原型,提出了一种基于噪声注意的椒盐噪声去噪网络模型。该去噪网络模型的改进工作主要体现在以下两个方面。第一,对噪声像素点与干净像素点进行标记,并将标记图与噪声图合并作为网络输入。由于标记图和噪声点是一一对应的,该方法使网络在拟合训练过程中感知到噪声点和非噪声点的区别,从而对特殊的噪声像素点给予更多的注意力,有利于改善网络对噪声像素的恢复精度。第二,在网络中部设置了两条对称跳跃连接。在网络训练的反向传播的过程中,这种跳跃连接使前层的网络更容易优化,同时有更多的图像信息可向后层传递。实验结果表明,这种基于噪声注意的椒盐噪声去噪网络的去噪性能优于现有其他算法,图像结构与纹理细节的恢复效果更好,在峰值信噪比、结构相似度和特征相似度三种去噪性能指标上均取得明显优势。针对灰度去噪模型在去除彩色图像噪声时效果不理想的问题,本文研究了彩色图像的去噪方法。现有的对彩色图像去噪方法是沿用灰度图像的去噪算法或基于彩色图像训练的深度模型。实验中发现,若直接采用灰度去噪模型分别对R、G、B三个颜色通道进行去噪,会忽略各颜色通道之间的相关性,不能取得很好的去噪效果,且与现有的彩色去噪模型存在一定差距。鉴于此,为提高对彩色图像的去噪效果,对本文的网络模型输入、输出结构进行调整,输入通道调整为6个,分别对应R、G、B三通道及其噪声标记通道,输出通道调整为3个,并在彩色图像数据上训练。实验结果表明,本文方法能明显提升对彩色图像的去噪性能。（2）针对深度去噪模型存在对噪声密度水平敏感、泛化能力不足的问题,本文提出了面向宽泛噪声水平的椒盐噪声去除方法。现有的网络结构与训练方式对于图像噪声密度具有较强的针对性。为提升去噪网络的泛化能力,本文首先设计了一个浅层的噪声密度估计网络,在此基础上提出了两种面向宽泛噪声水平的解决方法。第一种方法是在网络输入端增加噪声图像所对应的噪声密度矩阵,噪声图像、噪声密度矩阵和噪声标记矩阵合并作为网络输入;第二种方法是先检测图像噪声密度,然后根据密度值所在区间选择对应的去噪器。实验结果表明,对于未知的噪声密度,两种面向宽泛噪声水平的去噪方法均能够获得良好的去噪性能,其中方法二的去噪性能相对于方法一有微小优势。