由于具备快速推理能力和良好的性能表现，判别式学习方法在图像去噪领域得到了广泛研究。然而，这类方法通常针对每种特定的噪声水平训练一个专用模型，对于不同噪声水平的图像去噪需要多个模型，且难以应对空间变化的噪声，限制了其在实际去噪应用中的灵活性与适用性。为解决上述问题，本文提出一种快速且灵活的去噪卷积神经网络——FFDNet，其输入为可调的噪声水平图（noise level map）。FFDNet在下采样后的子图像上进行处理，实现了推理速度与去噪性能之间的良好平衡。与现有的判别式去噪方法相比，FFDNet具有多项优越特性：（i）仅需一个网络即可有效处理广泛的噪声水平范围（即[0, 75]）；（ii）通过指定非均匀的噪声水平图，能够有效去除空间变化的噪声；（iii）即使在CPU上运行，其推理速度也快于基准方法BM3D，且不牺牲去噪性能。我们在合成图像和真实噪声图像上进行了大量实验，将FFDNet与当前最先进的去噪方法进行对比。实验结果表明，FFDNet在去噪效果与效率方面均表现优异，具有很高的实用价值，非常适用于实际的图像去噪应用场景。