由于拍摄技术、传输设备等外界环境的影响，数字图像往往会引入不同程度的噪声干扰，这会影响到图像的视觉效果和后续图像处理工作的展开。一直以来，图像去噪在图像处理领域占据着重要地位，其根本目的是解决实际图像由于噪声干扰导致的图像质量下降问题。目前，大量的图像去噪方法已经被提出，其中，非局部均值去噪方法因其出色的图像去噪效果，成为众多学者广泛研究的对象。BM3D算法基于图像的非局部相似性，引入协同滤波的概念，进一步改善了图像去噪效果，成为最好的去噪方法之一。本文所做的工作主要包括以下三个内容：(1)提出了一种基于HWD变换的非局部图像去噪算法，该算法根据相似组中图像块所包含的信息特征，为相似组选择适合自身的二维变换，即对平滑均匀的相似组进行小波变换，对具有线奇异性的相似组进行HWD变换。该算法充分利用了小波变换表示点奇异性及HWD变换表示线奇异性的优势，能够得到比较准确的变换域估计系数，提高恢复图像的质量，在去除噪声的同时更好地保持图像的细节信息。(2)提出了一种基于非局部小波系数收缩的图像去噪算法，该算法基于小波域的双L1范数模型，将局部稀疏性约束和非局部稀疏性约束整合到一个框架中，不仅满足相似块对应的小波系数是局部稀疏的，同时也确保这些系数靠近相似组的“中心”，即与真实系数非常接近。该算法能够得到比较准确的小波系数估计值，更好地恢复图像，提高图像的去噪效果。(3)在基于非局部小波系数收缩的图像去噪算法的基础上，对三种非局部小波域收缩模型：L1+L2范数模型、双L1范数模型和非局部L1范数模型进行研究，并分析了它们在估计小波系数时的准确性。实验结果表明，双L1范数模型和非局部L1范数模型均能够得到比较准确的小波系数估计值，具有较好的去噪效果。本论文工作得到了教育部长江学者和创新团队支持计划(IRT0645)、高等学校学科创新引智计划(111计划)(B07048)以及中央高校基本科研业务费专项资金(JY10000902032)的资助。