在数字化信息时代,图像是信息传递、获取的重要载体,其被广泛应用于工业生产和日常生活。但是图像经常会受到噪声的干扰,从而导致图片的质量降低.本文提出一种基于采样原理的小波神经网络去噪算法,一方面它利用了小波变换良好的时频特性,克服了传统的傅立叶变换的缺点;另一方面,又发挥了神经网络的强大的自学习、自适应能力,所以小波神经网络就具有了较强的逼近与容错能力。本文主要针对两种图像中比较常见的噪声:平稳噪声(如最常见的高斯白噪声)和非平稳的噪声。对小波变换去噪技术,中值滤波技术和小波神经网络去噪技术进行了探讨和研究,并在MATLAB上进行了实验验证,本文的主要工作可以概括为以下几个部分:首先我们研究了小波变换理论,基于小波函数及尺度函数优良的时频特性,我们可以将小波变换应用于神经网络,并构造了六阶样条小波的尺度函数,用于代替传统神经网络的激励函数。其次介绍了中值滤波和小波去噪的原理,并分析这两种传统滤波算法在处理含噪图像的不足和这两种算法会破坏图像边缘信息的原因。对两种传统的滤波方式进行了仿真实验,根据得到的结果总结两种方式的优缺点,并用于与本文提出的小波神经网络去噪新算法作对比。再次我们首先选取了合适的神经网络模型,然后我们提出一种基于采样原理的小波神经网络去噪的新算法,并在一维情况下对其进行理论分析,确定小波神经网络的各个参数,并证明了训练小波神经网络等价于对信号进行小波滤波,提出了小波神经网络的训练方法。我们通过提出图像的数学化模型,进一步研究小波神经网络对于图像去噪的可行性,证明了采样周期选取的任意性,并确定了基于图像模型的小波神经网络的输入层权值,隐层节点数以及输出层权值。最后我们在MATLAB上分别对含有平稳噪声(如高斯白噪声)和非平稳噪声的图片进行试验仿真并对其他去噪方法进行对比,最后得出结论:本文提出的小波神经网络去噪新算法在滤除噪声,保护图像细节方面相较于传统的中值滤波和小波去噪均有较大的优势。