1、2006年，Hinton提出了一種深層次結構的神經網絡，再一次掀起了人工神經網絡的熱潮。深度學習是一個較為復雜的機器學習算法，目前在圖像識別、語音識別等方面已經獲得了很大的成功。深度學習使得機器能夠模擬人類的視覺、聽覺以及思考等活動，解決了許多比較復雜的模式識別方面的難題，使得人工智能的相關技術獲得了非常大的進步。在當前的研究工作中，經常將深度學習與各類的實際應用結合起來，這是極其重要并且具有現實意義的。
　　本文在研究圖像去噪問

2、題的基礎上，給出了一個基于卷積神經網絡的深度網絡。該網絡區(qū)別于傳統(tǒng)的神經網絡，由四個子網絡構成，每個子網絡有不同的隱層數目。每個網絡中輸入圖像經過數次卷積操作，對輸入圖像進行不斷濾波得到特征映射圖，對這些特征映射圖進行全連接得到輸出圖像。為了能夠更好的說明本文給出的深度網絡是如何對圖像進行去噪的，將圖像的去噪問題轉換成一個學習問題，通過學習輸出圖像與標簽圖像的誤差來修正網絡中每層的權重，使得該深度網絡能夠對圖像進行去噪。另外對該深度網絡

3、中輸入的設置、網絡層數的選擇、訓練迭代次數的設置、訓練樣本的大小、卷積層的構建以及構建模型的時候參數的初始化和學習率的設置問題等對網絡的影響進行了分析。對于給出的深度網絡的訓練，當前一個子網絡訓練好之后，將其參數作為后一個網絡的初始化，再對后一個子網絡進行訓練。卷積操作能夠使得圖像變小，而圖像去噪問題在保證去除圖像噪聲的同時，圖像的大小也不能變。在深度網絡訓練的過程中，每次迭代對輸入圖像中隨機選一個點為中心，進行卷積，得到的圖像來覆蓋輸