图像去噪是减少数字图像中噪声的过程,是影响图像分割,边缘检测,特征提取等对图像进行后续处理的重要前提。深度卷积神经网络在图像识别、语音处理等方面取得了重大成功,通过深度学习,可以使机器模拟人类的视觉、听觉、思维等行为,能够克服模式识别中难以处理复杂问题的困难。图像去噪在视频分析和语音处理方面有巨大的应用,深度卷积网络利用深度学习无需用统计方法分析数据的优点,在图像去噪中取得了成功。针对传统的基于块匹配的图像去噪方法只能处理二维图像以及去噪性能不高的缺点,提出一种基于深度卷积神经网络的图像去噪方法。该方法首先利用三维剪切波变换来得到变换域系数,对噪声图像进行多尺度分解和方向剖分两个滤波阶段;然后通过硬阈值和维纳滤波阶段提出四维块匹配方法,其中两个阶段又分别包括分组、协同过滤和聚合三个步骤,利用堆积成四维组的体素立方体,在该组的四维变换同时利用每个立方体中体素之间存在的局部相关性和不同立方体中相应体素之间的非局部相关性。通过三维剪切波逆变换,得到每个分组立方体的估计值,并在原始位置进行自适应聚合,从而得到潜在的干净图像。然后用深度卷积神经网络中的生成对抗网络对潜在的干净图像进行训练,得到最终干净的图像。本文所提出的方法能够充分使用剪切波变换,并将三维块匹配算法进行改进,使三维图像得到去噪处理。通过深度对抗学习网络中的生成模型和鉴别模型进行对抗训练得到模型,实现了拟合数据分布和数据增强。本文通过与传统去噪方法BM3D、EPLL、TNRD等实验比较,以图像的峰值信噪比、结构相似性和边缘保持指数作为评价标准,有效地改善了图像的视觉效果,而且通过对比传统去噪方法显示,能够有效地去除高噪声环境下的图像噪声,并证明了本文方法对经典图像和磁共振图像去噪的有效性。