图像去噪和图像融合是数字信号处理领域中的前沿课题，基于Contourlet变换的图像处理方法是近年来该领域中的一个研究热点。Contourlet变换是多尺度分析中十分重要的一种方法，可以有效地实现图像的多分辨率的、局部的、多方向的展开，能够充分利用图像几何本质特征，具有十分广阔的研究前景。本文首先研究了Contourlet变换的基本原理与实现方法，分析了现有图像去噪方法的优缺点，阐述了阈值的选取，提出将Contourlet变换与bayes阈值结合的图像去噪方法，对小波阈值去噪和Contourlet变换bayes阈值去噪进行了实验仿真，给出了仿真结果。在此基础上进而提出了一种基于非下采样Contourlet变换(Nonsub-sampled Contourlet Transform简称NSCT)自适应阈值图像去噪方法。该方法首先对噪声图像进行非下采样Contourlet变换，得到各个尺度各个方向子带的系数，再根据各个方向子带的系数以及该系数的能量自适应地调整去噪阈值。实验结果表明，与小波阈值去噪、Contourlet自适应阈值去噪相比，该方法在保留图像边缘细节的同时，能提高图像的PSNR值，减少了Gibbs现象。多聚焦图像融合是图像融合中的一个重要研究领域。在图像融合方面，论文介绍了图像融合的发展背景和基本理论，对Contourlet变换在多聚焦图像融合上的应用进行了较为系统的研究，利用Contourlet变换的多尺度多方向特性，提出了基于Contourlet变换的区域特征自适应图像融合算法，该算法先将需要融合的图像进行Contourlet变换分解，基于图像的各部分特点采用不同的融合规则。对低频部分加权平均，有效地保留了细节和边缘，针对高频部分系数特性自适应地选择不同的融合方法。实验证明该算法优于小波域多聚焦图像融合算法，合成图像清晰、细节丰富。