在获取数字图像时,图像很容易受到噪声的污染。图像去噪是很多图像工作的前提,比如图像分割、边缘提取、图像识别等,都需要去除干扰信息。图像噪声会很大程度上影响其它图像处理工作的效果,因此非常有必要去除图像中的噪声污染。目前关于图像去噪的方法中效果最为显著的是利用字典学习进行去噪,但是此方法面临诸多问题,如展开结构与原始的字典学习模型不匹配、采用固定先验而没有充分利用深度神经网络的学习能力以及学习到的字典虽具有通用性但不具有图像自适应能力。另一个新提出的去噪方法是利用扩散概率模型（denoising diffusion probabilistic models,DDPM）进行降噪,但是此方法目前也面临着诸多问题,例如无条件的DDPM在表达式中以神经网络对噪声进行预测。由于这种方法是没有约束条件的,因此会导致处理后的结果不受控制。针对上述两类问题,本文分别提出了基于条件扩散观点的深度模型驱动神经网络用于图像去噪和基于解耦深度字典学习的图像去噪方法。条件扩散观点的深度模型驱动神经网络用于图像去噪方法,本文通过在反向扩散过程中引入参考图像,使用字典学习来处理参考图像的更新,并通过扩散模型来更新字典学习中的先验知识,构造成一个可更新且有条件的DDPM,以此来提高图像图像去噪的性能。在数据集上的测试结果表明,本文的去噪模型在峰值信噪比和结构相似性这两个评价指标上超越了目前很多优秀的模型。解耦深度字典学习的图像去噪方法是一种新颖的深度卷积字典学习框架,本文提出的框架首先将图像进行解耦分解,分解后各自构造卷积稀疏感知,并严格遵循字典学习模型去学习一个自适应的字典,对图像不同成分进行去噪。考虑到不同解耦模型之间会产生纠缠和冗余,基于上述解耦模型,加入了灵敏度惩罚算子,然后利用模型驱动的网络对于图像的不同成分做出融合,以此来抵抗噪声,抵抗模型的退化,帮助网络收敛,最终形成解耦深度字典学习的神经网络图像去噪模型。最后本文使用了不同的数据集对本文提出的模型进行了实验验证,结果表明,本文提出的模型性能优于其他比较方法。