图像复原技术主要包括图像去噪、图像增强、图像超分辨率等,它们已经广泛应用于航空航天技术、遥感技术、医学成像、社会交流等各个领域。在图像去噪领域中,根据噪声分布特征的不同又分成条带噪声、高斯噪声、泊松噪声等。图像噪声的存在严重影响了机器视觉系统对图像空间信息的准确获取,并且对后续的图像识别、图像分类、图像检测分割等任务带来了巨大挑战,因此研究图像噪声并对其进行复原具有重要意义。本文首先研究了传统的三维块匹配(BM3D),非局部均值(NLM)、小波变换图像去噪方法。其大多基于频域或者空域的原理,可在一定程度上去除噪声,但传统方法在求解优化问题的过程过于复杂、效率不高;基本采用非凸的去噪模型,不能自动地更新模型参数,场景适应性差。与传统的图像去噪方法相比,基于深度神经网络的图像去噪方法可较好地解决上述问题,但现有的深度神经网络模型在去除噪声和保持细节方面还是难以获得平衡的结果。鉴于此,本文提出了一种利用的序列图像时空域特征的去条带噪声深度神经网络模型。针对条带噪声的帧间不变性,该模型构建了时空信息提取模块,通过3D卷积核对相邻帧图像进行时空关联特征提取,从而更好地估计噪声。鉴于3D卷积与2D卷积相比参数量成倍数增加,因此在重建模块中采用2D卷积提高计算效率。此外,本算法还引入了多尺度卷积以提取多尺度的空间特征,并设计了一种多残差的重建网络,以进一步提高对图像去噪精度。实验表明,该模型在主客观指标均优于目前主流的图像去噪算法。为了进一步恢复图像细节信息并降低计算耗时,本文提出了一种基于小波卷积神经网络的算法模型。该模型充分考虑条带噪声的内在特性和不同小波子带系数之间的互补信息,从而以较低的计算量准确估计噪声。对于不同的子带,本文设计了不同的时空特征提取子网络,而后将各个子带提取的特征融合重建去噪后的图像。整个网络的输入为经过小波分解的多帧序列图像,而输出为单帧的去噪图像。实验证明,该算法在不增加计算量的前提下,大幅提高了网络的去噪性能。