随着计算机技术的蓬勃发展和应用,数字图像数据已成为人们最常使用的数据载体之一,与人们的生活息息相关。在数字图像处理领域中,图像降噪作为一个重要技术组成部分一直是人们研究的重点。近年来,深度卷积网络在图像处理领域取得的成功,使其在图像去噪任务中的应用也引起了研究人员的广泛关注,现已成为图像去噪的主流方法。在众多基于深度卷积网络的去噪模型中,Dn CNN去噪模型对于图像噪声的去除效果较好,但是仍然存在以下问题。第一,噪声图像中包括噪声信号和潜在的图像信号,噪声信号是干扰信息,潜在的图像信号是我们想要获得的最终结果。Dn CNN去噪模型在特征提取时对噪声信号和图像信号按照同等重要程度进行处理,没有对噪声图像中的重要特征给予更多的关注。第二,在Dn CNN模型的特征提取层中特征通道之间是相对独立的,忽略了特征通道之间的关联,不能在全局通道空间上利用通道之间的相关性,因此在全局范围内提取图像特征受到限制,捕获特征的能力有待进一步提升。针对上述两个问题,本文在Dn CNN模型的基础上,通过加入非局部注意力模块和通道注意力模块,提出了一种基于非局部注意力与通道注意力的去噪模型（Denoising Convolutional Neural Networks with Non-local Attention and Channel Attention,Dn CNN-NC）,本文的具体工作如下:1、针对Dn CNN模型在获取噪声图像特征的过程中,对噪声图中的重要特征缺少关注的问题,本文在去噪网络中加入了非局部注意力模块。受非局部自相似思想启发,即在一幅图像中的像素点与图像中的其他像素有关联,且关联程度不同,本文将这一思想应用到卷积网络中,通过在网络结构中加入非局部注意力模块,在全局的范围内通过求取特征图中其他所有位置与当前位置的相似权重,根据不同的相似程度赋予不同的权值,加强对重要特征的学习,以便得到更好的去噪效果;2、针对Dn CNN模型在全局通道空间内提取特征受到限制的问题,本文进一步将通道注意力加入到去噪网络中,通过在网络中加入通道注意力模块,使网络在训练的过程中,能够借助通道之间的依赖和关联,在全局通道范围内求取特征,增强网络的学习能力和特征表示能力。最后将通道注意力与非局部注意力模块进行结合,来更好的捕获图像特征。3、本文在图像去噪任务中常用的测试集set12和BSD68上进行测试,将Dn CNN-NC与BM3D、WNNM、EPLL、TNRD和Dn CNN这五种比较经典的去噪方法进行了对比,通过实验表明Dn CNN-NC方法整体上去噪效果都能超过其他方法,且去噪后的结果图看起来更清晰,包含的信息更丰富。为了证明非局部注意力模块以及通道注意力模块的有效性,在实验部分本文在Dn CNN模型中单独加入这两个模块,与Dn CNN方法和Dn CNN-NC方法进行了消融实验。通过分析实验结果得到,非局部注意力模块和通道注意力模块对于提升去噪效果都有一定的作用,但是将两个模块进行融合的Dn CNN-NC方法取得的效果最好。