作为信息传递重要而有效的载体之一,图像成为人们获取信息的重要来源。然而,图像在被获取、处理、传递与接收的过程中都有可能会产生噪声。含有噪声的图像妨碍了人们对于图像中所需信息的识别与获取,也影响了图像的后续处理工作。因此,图像去噪就显得至关重要,也成为了人们研究的重要课题之一。近些年,由于网络架构的灵活连接与对数据模型的强大学习能力,深度学习也越来越多的应用在图像去噪领域,特别是有着巨大建模能力的深度卷积神经网络在图像去噪领域中的应用。本文以深度学习中卷积神经网络技术为基础,提出了一种多尺度并行卷积神经网络图像去噪方法,主要工作内容如下:本文设计的多尺度并行卷积神经网络主要由两个模块组成,分别为模块一、模块二。模块一中使用的是多特征提取的方法,首先采用了三种不同尺寸的卷积核滤波器对输入噪声图像数据进行噪声特征分布信息的学习,由于每个卷积核尺寸不同,其所在图像中的感受野也不相同,对其在相同的像素点提取的特征信息也不尽相同。通过对同一像素位置不同大小区域的像素特征信息提取,使得网络在输入端可以学习更加丰富的噪声特征分布信息;接着对于提取的特征分布信息分别在每个尺寸的网络通道中进行训练;最后经过多特征串联拼接技术对不同网络通道中提取的信息进行串联拼接。模块二是比较浅的网络结构,主要对模块一中提取的多特征信息进行训练,之后网络输出通过残差学习技术将输入噪声图像与残差信息两者相减,最终得到去噪后的图像。本文在网络中使用批量规范化与残差学习技术,批量规范化有利于解决网络在训练阶段内部协变量偏移问题;残差学习可以缓解深度网络在训练时的梯度消失与爆炸问题,同时也减少了信息在网络训练中的损耗。通过将本文的图像去噪算法与其它图像去噪算法作对比,实验数据表明:在客观评价指标峰值信噪比(PSNR)与结构相似性(SSIM)方面,本文的方法可以获得更高的数值;在主观观察方面,本文方法比其它方法具有更好的保护图像中纹理与细节的能力,使去噪后的图像显得更加的清晰与自然。因此,可以说明本文的方法有着良好的去噪性能表现。