中文摘要: 布里渊光时域分析(BOTDA)系统中的布里渊增益谱(BGS)可能存在噪声，造成布里渊频移等重要信息难以提取的问题，故需对 BGS 降噪。现有 BGS 降噪方法分为基于模型的方法(如 BM3D)和基于学习方法(如 DnCNN)两大类，分别存在降噪速度慢和可解释性差的问题。对此提出基于多尺度深度展开网络(MSDUN)的 BGS 降噪方法，具有降噪效果好、降噪速度快、可解释性好的优点。MSDUN 通过将输入图像经过一系列参数可学习的降噪模块实现降噪，卷积神经网络是隐含在每个降噪模块中的，因此 MSDUN 结构层次清楚，具有明晰的可解释性。由于在单个降噪模块中使用了卷积神经网络，因此降噪速度相比 BM3D 这类基于模型的方法更快。仿真和实验结果表明，MSDUN 可以将三维 BGS 灰度图信噪比增强 8.14 dB，降噪效果上优于 BM3D 的 3.92 dB 和 DnCNN 的 2.23 dB；降噪速度上，MSDUN 只需 4.8 s，比 BM3D 快了近 30 倍；相比 DnCNN，MSDUN 算法层次结构更加清晰，可解释性好。