图像在获取、传输、存储的过程中容易受到噪声的干扰。噪声图像的存在是非常普遍的。噪声图像不仅影响视觉体验,而且对数字图像处理技术有较大的影响。本文以显著性检测为例,研究噪声图像的显著性检测算法,同时提出结合噪声图像特性的去噪方法。图像显著性检测在图像压缩、图像分割、图像检索等方面有重要的应用价值。目前大多数的显著性检测算法都是基于无噪声图像提出的。针对此问题,本文首先对典型的图像显著性检测算法在图像质量评估数据集(Tampere Image Database,TID2013)上做性能分析。TID2013数据集含有24种失真类型,其中包含多种噪声失真。鉴于缺少结合不同噪声类型和幅度的显著性检测数据集,本文基于TID2013数据集,人工标注每张图像的显著对象,得到人工标注的标准显著性图。实验结果表明,显著性检测算法在失真图像上的性能通常会降低,尤其在失真幅度较高时。为了解决噪声图像对显著性检测算法的负面影响,本文提出基于机器学习的噪声图像显著性检测方法。首先,本文机器学习方法建立噪声图像特征和噪声幅度间的映射关系,得到噪声幅度预测模型。然后,实验得到每个噪声类型和幅度的最优去噪参数。对每幅噪声图像,使用噪声幅度预测模型预测该图像的噪声幅度,接着使用该噪声类型和幅度的最优去噪参数进行去噪处理,最后,利用显著性检测算法计算去噪后图像的显著性图。实验结果表明,本文提出的基于机器学习的噪声图像显著性检测方法在大多数噪声幅度上能够提升显著性检测算法的性能,尤其是在噪声幅度较高时。除图像显著性检测外,图像噪声影响许多图像处理算法的性能,如:图像检索、图像分割等,因此去噪算法的研究极为重要。图像去噪算法的关键是在去除噪声的同时保留原始图像细节。少数的外部去噪算法利用清晰的自然图像以更好的得到图像的细节,但使用外部信息需要有相似图像区域的支持。大多数的图像去噪算法都是内部去噪算法,其利用噪声图像的自相似性并使用相同参数对全图进行去噪。本文通过对去噪参数的分析,发现不同的图像区域偏好不同去噪参数的去噪结果。本文提出一种基于机器学习的区域感知图像去噪算法。最终的去噪结果是在不同图像区域融合不同的图像去噪参数的去噪结果,能够在去除噪声的同时更好的保留图像纹理细节。实验结果表明,本文提出的基于机器学习的区域感知图像去噪方法能够有效提高非局部平均去噪算法、基于块匹配的三维联合滤波去噪算法和基于图像块组先验去噪算法的去噪性能,获得更高的峰值信噪比(PSNR)和结构相似性(SSIM)值。