La eliminación de ruido en imágenes ha sido un problema complicado en el campo de la visión por computadora, aunque la tecnología en desarrollo de aprendizaje profundo ha traído mejoras significativas en la eliminación de ruido en imágenes. Las redes de eliminación de ruido basadas en tecnología de aprendizaje profundo aún enfrentan algunos problemas, como su precisión y robustez. Este documento construye una red de eliminación de ruido robusta basada en una red generativa adversarial (GAN). Dado que la red neuronal tiene fenómenos de dispersión de gradientes y desaparición de características, se agrega el residual global al autoencoder en la red generadora, para extraer y aprender las características de la imagen de entrada, a fin de garantizar la estabilidad de la red. Sobre esta base, se propuso un algoritmo de optimización (OA), para entrenar y optimizar la media y la varianza del ruido en cada nodo del generador. Luego, la robustez de la red de eliminación de ruido se mejoró a través de la retropropagación. Los resultados experimentales mostraron que el efecto de eliminación de ruido del modelo es notable. La precisión del modelo propuesto fue superior al 99% en el conjunto de datos MNIST y superior al 90% en el conjunto de datos CIFAR10. El pico de relación señal a ruido (PSNR) y los valores de similitud estructural (SSIM) del modelo propuesto fueron mejores que los modelos más avanzados en el conjunto de datos BDS500. Además, una prueba de anti-interferencia del modelo mostró que las capacidades de defensa tanto del método de signo de gradiente rápido (FGSM) como de los ataques de descenso de gradiente de proyecto (PGD) mejoraron significativamente, con valores de PSNR y SSIM disminuidos en menos del 2%.