图像作为一种重要的信息传递载体,在其生命周期过程中会受到各种因素的影响,从而引入噪声。噪声图像丢失了一部分信息,不仅阻碍了人对图像信息的获取,而且也对各种图像任务的准确率,例如图像分割、目标检测等产生直接的影响。因此进行图像去噪研究是一项非常重要的任务。经典图像去噪算法是一种基于数学方式的优化方法,其去噪过程是一个数学优化过程。如果图像分辨率很高,去噪处理需要花费很长的时间。因此经典图像去噪算法很难应用到实时应用中去。近些年提出的基于深度学习的图像去噪算法虽然模型训练过程需要花费很长的时间,但实际进行模型推理时,速度却很快。因此基于深度学习的图像去噪算法更适合实时应用。基于深度学习的图像去噪算法大多采用卷积神经网络,其目标是在给定噪声图像和干净图像的情况下,自动学习噪声图像到干净图像之间的映射。目前已经提出的基于卷积神经网络的图像去噪网络都含有很多层,Dn CNN网络就是其中一个典型代表。网络层数的增加会造成模型参数的增加,从而导致模型训练、推理时间变长,而且大量的参数会导致模型体积变大,致使模型部署到移动或嵌入式等有限资源的设备上变得非常困难。本文主要是对Dn CNN图像去噪网络进行改进,具体来说就是通过空洞卷积扩大感受野的范围降低网络深度,从而减少参数。为了验证改进方法的有效性,对灰度图像的去噪设计了相应的实验。实验主要关注模型的去噪效果、模型的参数量和大小、模型的去噪速度三个方面。去噪效果方面和经典图像去噪算法NLM、BM3D,传统Dn CNN网络,在去噪效果评价指标PSNR、SSIM上进行了对比。通过实验发现,改进后的网络在PSNR、SSIM指标上总体上均超越了经典去噪算法,PSNR指标相比传统Dn CNN网络略差,但SSIM指标和传统Dn CNN网络一致。改进后的网络相比传统Dn CNN网络,模型参数量和大小上更小,更适合部署到实际应用中去,模型的去噪速度更快,在实时的应用中更有实用价值。