数字图像在采集、处理、压缩、存储、传输和再现期间会不可避免地产生噪声，从而导致图像的视觉质量下降。虽然为了获得高质量的图像，人们提出了很多图像去噪算法，这些方法大致可以被划分为两大类，即基于模型的方法和基于学习的方法。传统的基于模型的图像去噪算法具有丰富的理论基础，但是往往存在复杂的优化问题。而另一方面，随着深度学习的兴起，现有的基于深度卷积神经网络（Convolutional neural network，CNN）的图像去噪方法将图像去噪视为一种简单的判别学习问题，相对于传统图像去噪方法带来了新的思路和优势。论文以含有加性高斯白噪声（Additive Gaussian white noise image，AWGN）的图像为研究对象，充分利用基于模型和基于学习的图像去噪方法的优势，对图像去噪算法和噪声参数估计方法展开研究。论文的主要研究工作如下：
　　①小波包噪声参数估计方法的研究
　　为了有效地消除噪声，首先需要准确地估计噪声参数。传统的噪声估计算法总是存在过高估计或者过低估计的问题，从而导致噪声估计的结果不够准确。论文受经典的小波域绝对中值偏差方法估计噪声参数的启发，利用小波包分析比小波分析具有更加精细的多分辨率的特性，在小波包变换中引入绝对中值偏差进行噪声估计，并使用传统图像去噪方法中的代表性去噪算法---块匹配三维协同滤波去噪方法（Block-matching and3D Filtering，BM3D）对噪声估计结果进行实验验证。实验结果表明：基于小波包的噪声估计方法比其他对比估计方法得到的估计结果更准确。
　　②改进深度卷积神经网络的图像去噪方法研究
　　损失函数是用来评价网络模型输出的预测值与真实值之间的差异性的度量函数。深度卷积神经网络的回归任务中，常选用均方误差作为网络模型的损失函数，因为均方误差具有逐像素比较差异、收敛速度快等优点，但是它没有将人类的视觉感知纳入考量，不符合人类视觉系统（Human visual system，HVS）的视觉信息处理机制。因此，论文在经典的深度卷积神经网络---DnCNN网络基础上将符合人类视觉感知的结构相似性（Structural similarity index，SSIM）指标作为损失函数的其中一部分，与均方误差共同作为整个卷积神经网络模型的损失函数。实验结果表明：该方法不仅能够更好地保护图像的细节特征，而且有助于提高图像的质量。