近年、深層ニューラルネットワークを用いた画像ノイズ除去への取り組みが著しく進展しているが、既存の手法は主に単純なノイズ仮定、例えば加法性白色ガウスノイズ（AWGN）、JPEG圧縮ノイズ、カメラセンサーノイズなどに依存しており、実画像に対する汎用的なブラインドノイズ除去手法は依然として未解決の課題である。本論文では、ネットワークアーキテクチャ設計および学習データの合成という観点からこの問題に取り組む。具体的には、ネットワークアーキテクチャ設計において、残差畳み込み層の局所モデリング能力とSwin変換器ブロックの非局所モデリング能力を統合する「Swin-Convブロック」を提案し、広く用いられている画像対画像変換用UNetアーキテクチャの主要構成要素として組み込む。また、学習データの合成に関しては、ガウスノイズ、ポアソンノイズ、スパーキルノイズ、JPEG圧縮ノイズ、処理済みカメラセンサーノイズといった多様なノイズタイプおよびリサイズを考慮した実用的なノイズ劣化モデルを設計するとともに、ランダムシャッフル戦略と二段階劣化戦略を導入した。AWGN除去および実画像ノイズ除去に関する広範な実験により、提案するネットワークアーキテクチャが最先端の性能を達成し、新たな劣化モデルが実用性を顕著に向上させることを示した。本研究が、現在のノイズ除去研究における重要な知見を提供できると確信している。