由于成像设备等各种因素影响,图像在成像或传感过程中会受到噪声干扰。图像去噪旨在减少或消除噪声对图像的影响,这一过程往往会导致高频信息的丢失。噪声会严重降低所获取的图像的视觉质量,导致图像信息的可靠性下降,影响进一步的获取图像信息。图像去噪是计算机视觉工作中重要的步骤,其处理结果的好坏直接影响着边缘检测、目标识别等各种后续任务的顺利进行。因此,研究以及优化图像去噪算法具有重要意义。深度学习模型是基于概率统计学与应用数学之建立的,得益于计算机强大的计算能力,相关研究者在大规模数据集上取得突破,更深层次的人工网络模型被建立起来。在计算机视觉,语音识别以及自然语言处理等领域人工神经网络都取得了一定成果,近年来逐渐成为互联网大数据以及人工智能的聚焦热点。基于卷积神经网络的图像处理算法不断优化发展,这为图像去噪提供了新思路。本文将卷积神经网络和小波变换应用于图像去噪工作提出了三种图像去噪算法。首先,设计了一种计算复杂度相对较低的含有信息保留模块的卷积神经网络,信息保留模块通过残差学习提取局部长路径和局部短路径的混合特征信息,该算法对不同强度的高斯白噪声以及泊松噪声、椒盐噪声都有较好的效果。其次,结合卷积神经网络与小波变换,提出了一种对自然噪声以及遥感图像中的噪声有效的算法,该算法先对图像进行小波分解,将分解得到的不同分量输入到网络进行训练。最后,在WNNM去噪算法的基础上,本文提出了一种改进的WNNM图像去噪算法,将由WNNM处理后的图像,由一个含有多路径信息融合模块的卷积神经网络来处理,能够增强图像的纹理细节信息。本文使用的评价指标是有参考评价指标SSIM,PSNR和无参考评价指标BRISQUE,NIQE来对实验结果进行客观量化。实验结果表明,无论是主观视觉效果还是客观量化指标上,本文所提的三种算法都优于文中所对比的图像去噪算法。