图像是一种常见的信息存储形式,其不仅能直观地表示大量相关的信息,还具有易于存储和传输等优势。由于各种环境和信道因素的影响,图像在采集、压缩和传输过程中难免受到噪声的干扰,导致图像信息失真或丢失。同时,因为噪声的存在,可能对后续的图像处理任务,如图像分类产生不利影响。真实噪声的无噪声标签也不易获取。因此,如何依靠少量训练样本并从含噪图像中恢复出有意义的信息是当今图像处理领域内的一个重要问题。为了解决真实噪声去噪问题,本文提出了多尺度两阶段图像去噪网络模型（MTDNet）与基于元学习的多尺度两阶段去噪模型（MMTDNet）。本文的主要研究工作分为两个方面,分别为高性能图像去噪模型的构建、在少量训练样本中提高模型的去噪能力。最后将该模型投入到网站应用中。具体相关研究工作如下:（1）本文基于UNet提出了一种多尺度两阶段图像去噪网络模型,目标是在保留图像的高维信息条件下实现对图像中真实噪声的去除。在网络的两个阶段中,本研究利用注意力机制、空洞卷积与普通卷积提取不同尺度的特征,再将第一阶段空洞卷积与第二阶段普通卷积各自提取到的不同尺度的特征进行特征融合,使模型能够获取足够多的特征信息,进而完成去噪任务。（2）为了在训练数据不足的真实噪声数据集上达到更加良好的去噪效果,将本文提出的去噪网络模型与元学习思想相结合,并划分出合成噪声子任务用以元训练,以达到可以使用少量的真实噪声训练样本（例如古文字去噪训练集）完成对去噪网络的训练,进而达到更加理想的去噪效果。文中对本研究提出的MTDNet进行了有效性实验验证。实验结果表明,在SIDD测试集上,MTDNet相较于基线模型UNet,其评价指标PSNR提升2.55,SSIM提升0.09,并且性能优于Dn CNN等其他去噪模型;在甲骨文测试集上,去噪效果仍明显优于其他去噪模型,相较于基线模型UNet,评价指标PSNR与SSIM分别提升3.15和0.16。此外,本文对MTDNet内部添加或修改的各模块进行了消融实验,证明了各模块对去噪任务的有效性。同样,文中对于本研究提出的MMTDNet也进行了有效性实验验证。实验结果表明,在SIDD测试集上,MMTDNet相较于MTDNet,其评价指标PSNR再次提升2.35,SSIM提升0.05;在甲骨文测试集上,MMTDNet相较于MTDNet,评价指标PSNR与SSIM分別进一步提升2.76与0.04。此外,本文对于元学习的泛化性也进行了有效性实验验证。实验表明,与迁移学习和普通的监督学习相比,元学习的泛化性也更占优。