社会飞速发展,人们交流的方式与途径不断变化,如今图形图像已经成为除文字外最主要的信息交流方式。但是,图像在采集、获取及传输过程中会受到噪声干扰,致使画面发生模糊、扭曲、甚至失真,使其不能完善得表达客观信息,从而失去准确性和全面性,严重影响图像的后续分析、处理以及应用。因此,对图像进行去噪处理就变得尤为必要。目前,在图像去噪算法中,采用传统的机器学习、统计模型以及非局部均值等理论进行去噪处理较为常见且效果较好,但仍具有一定不足,在一些方面甚至难以满足要求。因此,为获得更优质的去噪效果,本文以新型多尺度几何分析为基础展开图像去噪算法研究工作,在以下三方面内容取得了一定研究成果:1、提出了一种新型隐马尔科夫树(HMT)模型图像去噪方法,采用了非下采样Contourlet变换技术。利用Weibull方法表示分解变换后系数的统计特性,以变换后系数的大小作为判断系数是否为有意义系数还是缺乏意义系数的依据。充分利用系数的相关性(尺度间、方向间和尺度内三者之间的关系)构建新型HMT模型并进行递归训练,然后将训练所得概率进行贝叶斯去噪。试验结果证明,该方法不仅在保证对边缘和纹理进行保护的基础上收到良好效果,而且所得主观结果也达到预期。2、提出了一种新的基于频域内的指数矩改进的非局部均值(NLM)滤波方法,采用了非下采样Shearlet分解技术。利用鲁棒性优越的指数矩,将所得传统系数值转换成指数矩值,并进行相似度计算,得到权重值。将传统NLM中的高斯核函数用Modefied Bisquare核函数代替。实验结果证明,该方法可以在很好保持图像边缘信息基础上移除噪声,大大提升图像效果。3、提出了一种频域内支持向量机和非局部均值相联合的方法。用孪生支持向量机(TWSVM)方法分类,能成功的在非局部均值去噪前优先挑选出认为是信息的像素,这大大减少了非局部均值计算的像素点数。此外引入了软阈值,改进了Local Adapted James–Stein Type Center Pixel Weights计算方法,优化了核函数。这种方法缩短了去噪时间,减小了时间复杂度,提升了去噪效果。