尽管目前深度学习的算法在高斯去噪问题上得到了很好的效果,但是对于真实相机图像的噪声,深度学习的方法还无法得到令人满意的效果。为了推动基于深度学习的去噪算法在实际中的使用,本文进行了如下的研究,首先设计了针对相机噪声的盲去噪网络,主要的贡献是将相机内部的图像处理过程对噪声的影响考虑在内,设计了更真实的噪声模型,其次设计了两段的网络结构,将非盲去噪网络泛化应能强的优点加以利用。首先使用一个小网络用以估计噪声水平的,之后使用UNet的网络结构进行非盲的去噪。对于噪声估计网络结构,本文设计了非对称的损失函数,同时使用梯度的约束来估计出更准确的噪声水平。真实噪声数据和仿真的数据被迭代的进行网络的训练来提升网络去噪的性能。在多个真实噪声图像数据集上,均验证了提出算法的有效性。为了更近一步提升去噪网络的性能,并且推动真实图像的多帧去噪方面的研究,本文采集了一个真实相机图像的噪声数据集(CIDB)。与之前的数据集相比,本文的数据集采集了更多的场景,采集的噪声图像有更高的噪声水平,采集时使用了更多的相机设置。为了得到更好的干净图像,并可以对于室外的运动物体有更强的鲁棒性,本文设计了更完善,鲁棒性更强的后处理算法,包括亮度的对齐,空间的对齐和内容相关的迭代融合算法。在采集的数据库上,标定了目前常用的去噪算法的去噪性能。通过使用采集的数据库作为训练数据,训练了单帧和多帧的去噪网络,经过实验证明,本文的训练数据可以在真实的去噪问题上得到很好的去噪结果。