随着数码相机、智能手机的飞速发展,“拍照”进入了大街小巷、进入了工厂和楼房、进入了大众的生活。人们对数字成像的要求从“看得清”向“看得更清”发展。现代数码相机通过光电传感器捕捉光信号并转换为电信号,通过图像信号处理器将电信号处理成数字图像,最后对数字图像进行压缩和存储。在光电传感器测量光的空间分布过程中,存在各类噪声:与信号相关的拍摄噪声和与信号无关的读取噪声。本文针对数字图像去噪问题相关的图像估噪、单帧图像去噪、多帧图像去噪任务展开研究,主要贡献有:（1）提出了一种基于深度残差卷积神经网络模型DRNE的图像估噪方法。已有估噪方法主要研究高斯噪声的估噪问题,给出标量估计结果。而Bayer图像或线性RGB图像中的噪声服从高斯-泊松分布,已有方法无法满足这种噪声估计需求。本文提出的估噪方法通过深度残差卷积神经网络建立输入噪声图像到输出噪声水平图的映射关系,实现了逐像素噪声水平估计。该方法在估计传统高斯白噪声上的性能与最好的传统方法相当,而在实际图像所服从的信号相关噪声的估计中,该方法估计精度更高。估噪问题是去噪问题的前置问题,该估噪方法也为后续的去噪研究奠定了基础。（2）提出一种利用交替方向乘子法（ADMM）进行Bayer图像联合去马赛克去噪的方法。去马赛克与去噪紧密联系,可以基于共同的图像先验建模求解。该方法利用交替方向乘子法将含有多个先验项的最小化问题分解为多个单一先验项的最小化问题的特性,约束图像联合去马赛克去噪的解空间。特别地,该方法将交替方向乘子法的一个迭代步骤替换为任意去马赛克或者去噪算法作为隐先验,提升联合去马赛克去噪的性能。所提方法具备较好的可解释性,而且在同类方法中的去噪性能具有显著优势。（3）提出了一种基于深度卷积神经网络的联合去马赛克去噪与盲去噪方法。该方法设计了一种面向联合去马赛克去噪问题的深度卷积网络模型,通过残差结构缓解模型训练时梯度消失导致模型收敛慢的问题。经过适当的输入预处理和网络设计,本文的深度卷积神经网络可以直接学习联合去马赛克去噪的映射,并取得超越传统方法和其他深度学习方法的性能。该网络结构与之前的估噪卷积网络模块结合,可以联合训练并解决图像盲去噪问题,对比实验结果表明本文方法具备超越同类方法的盲去噪性能。（4）提出了一种基于深度卷积网络的多帧图像去噪方法。该方法扩展了本文基于深度卷积网络的单帧去噪方法,实现对多帧图像输入的有效利用。通过从构造的多帧图像数据集中学习,该方法回避了传统多帧去噪方法中需要显式多帧对齐的难点。通过在网络尾部引入通道注意力机制模块,使得模型更容易收敛于抑制多帧模糊的权重。在网络的训练过程中,本文利用中间估计结果建立模拟退火损失函数,避免优化过程陷入单图去噪的局部极小点。该方法还分析了s RGB图像中实际噪声的生成机理和模拟方法,并用于训练去除实际噪声的模型。在模拟高斯去噪数据和实际多帧曝光数据上的实验证明了该方法的有效性。该方法与单帧去马赛克去噪方法结合,还可以完成多帧Bayer图像的联合去马赛克去噪。在模拟高斯噪声的多帧Bayer图像上的实验表明该方法与同类方法相比具有显著的性能优势和速度优势。在实际多帧Bayer图像上的实验验证了该方法的去噪效果和细节保持能力。