Le débruitage d'images aveugles est un problème important mais très complexe en vision par ordinateur, en raison du processus d'acquisition compliqué des images réelles. Dans cette étude, nous proposons une nouvelle méthode d'inférence variationnelle qui intègre à la fois l'estimation du bruit et le débruitage d'images dans un cadre bayésien unique pour le débruitage d'images aveugles. Plus précisément, une distribution postérieure approximative, paramétrée par des réseaux de neurones profonds, est présentée en prenant l'image propre intrinsèque et les variances du bruit comme variables latentes conditionnées par l'image bruyante d'entrée. Cette distribution postérieure fournit des formes paramétriques explicites pour tous ses hyperparamètres impliqués, ce qui permet une mise en œuvre facile pour le débruitage d'images aveugles avec une estimation automatique du bruit pour l'image bruyante de test. D'une part, comme pour les autres méthodes d'apprentissage profond basées sur les données, notre méthode, appelée réseau de débruitage variationnel (VDN) [Variational Denoising Network], peut effectuer le débruitage efficacement grâce à sa forme explicite de distribution postérieure. D'autre part, le VDN hérite des avantages des approches traditionnelles basées sur les modèles, notamment la bonne capacité de généralisation des modèles génératifs. Le VDN possède une bonne interprétabilité et peut être utilisé de manière flexible pour estimer et éliminer des bruits complexes non-i.i.d. collectés dans des scénarios réels. Des expériences exhaustives sont réalisées pour confirmer la supériorité de notre méthode dans le débruitage d'images aveugles.