使用matlab语句，首先对线性调频信号进行短时傅里叶变换，然后构建dncnn模型，进行降噪处理，最后使用逆短时傅里叶变换变换回时域信号，对比原始信号和去噪信号。

以下是使用MATLAB语句进行线性调频信号的短时傅里叶变换（STFT）、构建DnCNN模型进行降噪处理、逆短时傅里叶变换（ISTFT）还原时域信号的示例代码。

% 1. 对线性调频信号进行短时傅里叶变换（STFT）
fs = 1000; % 采样频率
t = 0:1/fs:1; % 时间范围
f0 = 20; % 起始频率
f1 = 200; % 终止频率
x = chirp(t, f0, 1, f1); % 生成线性调频信号

windowSize = 256; % 窗口大小
hopSize = 128; % 帧移大小
nfft = 512; % FFT点数

[S, f, t] = spectrogram(x, windowSize, hopSize, nfft, fs, 'yaxis'); % 进行短时傅里叶变换

% 2. 构建DnCNN模型进行降噪处理（此处假设已经有训练好的DnCNN模型）
denoised_S = dncnn_denoise(S); % 使用DnCNN模型进行降噪处理

% 3. 使用逆短时傅里叶变换（ISTFT）还原时域信号
denoised_x = istft(denoised_S, windowSize, hopSize, nfft, fs); % 还原时域信号

% 4. 对比原始信号和去噪信号
figure;
subplot(2,1,1);
plot(t, x);
title('原始信号');
subplot(2,1,2);
plot(t, denoised_x);
title('去噪信号');

需要注意的是，上述示例中的 `dncnn_denoise` 函数和 `istft` 函数需要根据具体的DnCNN模型和STFT/ISTFT实现进行编写或调用。此外，还需要安装相应的信号处理工具箱（Signal Processing Toolbox）和深度学习工具箱（Deep Learning Toolbox）。

这段示例代码可以作为一个大致的指导，但具体实现可能会根据你的具体需求和数据进行调整。