随着数字多媒体技术的发展，人们对图像质量的要求也与日俱增。然而，真实图像在采集、压缩、传输以及显示的过程中，总是会不可避免受到噪声污染。因此，如何从已有的真实噪声图像中通过算法来降低噪声污染的同时尽可能保留图像有价值的特征信息，具有非常重要的理论研究和实际应用价值。虽然目前针对合成噪声的图像去噪算法已经取得了非常不错的效果。但由于真实相机图像所包含的噪声类型和分布更加复杂，且难以收集大规模无噪图像作为训练样本，因此基于合成噪声的图像去噪算法难以直接应用于真实图像噪声消除。为了降低模型对数据样本的依赖并充分发挥深度学习的推理能力，本文以无监督学习作为出发点，围绕着真实图像去噪应用开展了深入的研究。
　　本文根据加性噪声图像的退化过程，构建了一种针对真实图像盲去噪的无监督学习框架DIPDN(Double Image Prior Denoised Network)，其主要采用两个卷积生成网络分别学习噪声图像的图像层和噪声层信息。在这一框架中，我们使用重建损失引导网络学习单幅噪声图像的退化过程，并额外构建了图像先验约束和噪声先验约束分别引导两个子网络的训练。另外，针对生成网络容易造成图像细节信息丢失的问题，提出了递进式反投影生成网络，能够保留和恢复更多的图像细节纹理。在合成噪声数据集和真实噪声数据集上通过实验验证，本文所提出的DIPDN不仅在能够获得较高的客观评价指标，并且去噪后的图像与原始图像的主观一致性程度也较高。
　　此外，根据手机或其它摄像设备上常见的连拍模式，我们在DIPDN的基础上提出了一种基于无监督学习的多帧图像融合去噪模型MIPDN(Multi-frame Image Prior Denoised Network)，充分利用多帧图像间的图层相关性和噪声随机性进行融合去噪，显著提升了图像的去噪效果。针对DIPDN所存在的缺陷，MIPDN提出了三项关键改进技术：基于残差学习的噪声学习网络、滤波器响应归一化单元以及训练数据增强方案。大量的实验结果表明，本文提出的MIPDN去噪模型不仅取得了较高的客观评价指标，而且在实际应用中也能取得非常好的应用效果。
　　通过本文的研究，实现了基于无监督学习的真实图像盲去噪算法，结合了图像的先验信息和深度学习的推理能力，有效改善了真实噪声图像的图像质量。