合成孔径雷达(Synthetic Aperture Radar,SAR)是一种相干成像系统,能够克服光学和红外系统的缺点对地形和目标产生高分辨率图像,还具有全天时全天候的优势,因此在各个方面得到了广泛应用。随着科学技术的飞速发展,要求SAR提供更高分辨率和更清晰的SAR图像。由于相干噪声严重影响了SAR图像的质量,不利于SAR图像的解译和各种应用,所以抑制相干噪声成为了SAR图像处理中的一个重要部分,并且相干噪声抑制的好坏将直接影响到对雷达图像定量分析和应用的精度,同时也影响了进一步的图像分割、边缘检测等图像处理效果,如何有效地抑制相干噪声成为SAR图像应用研究的难点和热点。近年来随着对低级视觉中各种逆向问题的研究,学者们发现,基于模型的优化方法和判别式学习方法成为解决该类问题包括图像去噪问题的重要策略。而卷积神经网络(Convolutional Neural Networks,CNN)是深度学习常用的判别式模型之一。基于深度学习的方法在图像处理(如图像去噪、超分辨率)中得到了广泛的应用并取得了很好的效果。而基于卷积神经网络的图像去噪算法只针对某一特定噪声水平图像去噪非常有效,不能实现盲去噪。本文结合基于向导滤波的图像融合(Guided Filtering based Fusion,GFF)算法和噪声水平估计算法提出了两种基于卷积神经网络的SAR图像盲去噪算法。论文的主要研究工作如下:(1)基于卷积神经网络和向导滤波的SAR图像去噪算法为了避免噪声水平不匹配对SAR图像去噪带来严重影响,本文结合卷积神经网络和基于向导滤波图像融合算法提出一种新的SAR图像去噪算法。首先,利用训练好的快速有效的5个不同噪声水平的CNN先验降噪器分别对SAR图像进行去噪处理,从而得到5幅去噪后SAR图像。然后,利用基于向导滤波的图像融合方法对5幅去噪图像进行融合以获得最终的去噪图像。该算法结合了基于模型的优化方法和判别学习法各自的优点,不仅可以像基于模型的优化方法一样抑制斑点,而且具有判别式学习方法快速灵活的优点。实验结果表明,该算法比现有的去噪方法具有更好的去噪性能,更有效的去除噪声,明显改善图像的视觉效果。(2)基于FFDNet去噪模型的SAR图像盲去噪算法为了改进现有去噪算法中不能适应所有噪声水平的缺点,本文将基于峰度的尺度不变性和分段平稳性的噪声水平估计算法与快速灵活的卷积神经网络(Fast and Flexible Image Denoising Network,FFDNet)相结合,提出了一种新的SAR图像盲去噪算法。首先通过基于峰度的尺度不变性和分段平稳性的噪声估计算法对SAR图像进行噪声估计,然后将利用估计得到的噪声方差作为卷积神经网络的输入参数进行SAR图像去噪,最终实现SAR图像的盲去噪。实验结果表明本文的算法与当前流行的去噪算法相比,去噪效果更明显,能够更好地保持图像边缘和纹理信息。