作为物联网主动感知物理世界的重要技术，无线多媒体传感器网络(WirelessMultimedia Sensor Networks，WMSN)借助自组网、感知信息丰富、可扩展性强等优势而广泛应用于智能交通、工业控制等领域。然而，WMSN监测场景目标多样，外界干扰因素较多，不可避免地受到雨雪雾恶劣天气、光照强度等条件的影响，导致WMSN视频图像含有较为严重且特征复杂的噪声。因此，迫切需要研究适用于低信噪比WMSN视频图像的去噪方法，以保证WMSN监测的可靠性和有效性。近年来，图像稀疏表示理论日益受到关注，凭借充分刻画图像本质特征、有效区分图像有用信息和噪声的优势，形成稀疏去噪理论并应用于视频、图像等去噪领域。其中，基于超完备字典的稀疏去噪方法得到广大学者的深入研究。借鉴超完备字典和稀疏去噪理论，本文深入研究了低信噪比条件下WMSN视频图像的去噪方法以有效利用图像稀疏特征，从而在减少传输数据量的同时充分保留WMSN图像有用信息。分析WMSN视频图像特征并结合稀疏分解理论，提出了一种基于K-SVD和残差比的低信噪比WMSN视频图像稀疏去噪算法。首先对WMSN视频图像进行周期性采集、分帧及帧差等预处理；然后对关键帧运用K-SVD训练DCT冗余字典以充分稀疏表示图像特征，并采用基于残差比的改进型Batch-OMP实现关键帧去噪及重构；而对残差帧则基于DCT冗余字典进行稀疏去噪处理；最后，叠加去噪后的关键帧和残差帧，从而整体上实现低信噪比WMSN视频图像的去噪及重构。实验表明，本文算法能更加有效地、较为快速地滤除图像噪声，适用于低信噪比WMSN视频图像去噪。在前述研究基础上，为了更为充分地利用图像的自相似性与非局部结构特征，借鉴ROI感兴趣区域划分的思想对传统图像聚类进行改进，提出了一种基于图像聚类和非局部正则化的WMSN视频图像稀疏去噪算法。首先在贝叶斯概率估计理论框架下，依据图像感兴趣区域ROI的像素灰度值进行图像聚类处理；然后利用基于ROI的图像聚类所提供的非局部正则化参数，建立基于图像聚类与非局部正则化的稀疏去噪模型以同时利用WMSN图像的稀疏性和自相似性；最后，将去噪问题转化为双l1范数最优化问题，并基于迭代加权收缩的替代函数实现WMSN视频图像的去噪及重构。实验结果表明，该算法可以同时实现WMSN图像噪声的有效去除和图像有用特征信息保留度的提高，尤其是自相似性与非局部结构等特征，而且通过ROI提取并聚类图像特征以及多个传感器并行处理有利于加快算法运行速度从而延长WMSN网络生命周期。