Las redes neuronales convolucionales profundas (CNN) con arquitecturas jerárquicas han obtenido buenos resultados para la eliminación de ruido en imágenes. Sin embargo, en algunos casos donde el nivel de ruido es desconocido y el fondo de la imagen es complejo, es difícil obtener información robusta a través de CNN. En este documento, presentamos una CNN de fusión de información multinivel (MLIFCNN) en la eliminación de ruido en imágenes que contiene un bloque de extracción de información fina (FIEB), un bloque de interacción de información multinivel (MIIB), un bloque de refinamiento de información gruesa (CIRB) y un bloque de reconstrucción (RB). Para adaptarse a fondos de imagen más complejos, FIEB utiliza convolución de grupos paralelos para extraer información de amplio canal. Para mejorar la robustez de la información obtenida, MIIB utiliza operaciones residuales para actuar en dos subredes para implementar la interacción de información amplia y profunda para adaptarse a la distribución de diferentes niveles de ruido. Para mejorar la estabilidad del entrenamiento del eliminador de ruido, CIRB apila convoluciones comunes y de grupo para refinar la información obtenida. Finalmente, RB utiliza una operación residual para actuar en una sola convolución con el fin de obtener la imagen limpia resultante. Los resultados experimentales muestran que nuestro método es mejor que muchos otros métodos excelentes, tanto en términos cuantitativos como cualitativos.