图像去噪可以被描述为从一幅被噪声污染过的图像到一幅清晰图像的映射过程，图像去噪中一个重要的挑战就是如何在保留良好的纹理结构的同时去除噪声。然而众多优秀的图像去噪算法，针对于像树皮和砖瓦这样的具有随机结构特点的纹理图像，经常会过度平滑纹理细节部分。本文致力于找到一个尽可能完美的映射模型来还原出真实图像，通过改进当前最先进的BM3D算法和对三维小波系数的多频带收缩函数学习的方法，得到一系列映射模型，利用这些映射模型对其他噪声图像进行去噪。本文算法主要分为两个阶段，第一个阶段是线下学习，即在少量的训练图片集上利用相似块匹配算法将小波域图像块“堆砌”为三维图像分组，然后划分频带并学习出收缩函数映射模型;第二个阶段则是完整去噪，即应用收缩函数将噪声图像的三维小波系数映射为新的估计值。新的三维分组中的图像块需要恢复到原来的图像位置，由于这些块是重叠的，因此每个像素都会得到多次估计值，利用带权值的聚合算法得到基本去噪图像，最后再在基本去噪图像的基础上进行一次协作维纳滤波得到最终去噪图像。本文的实验结果建立在麻省理工学院纹理图像数据集上，使用MEX混合编程技术，与BM3D算法和GHP算法比较而言，在改善了峰值信噪比和结构相似度等经典评价指标的同时，也保证了良好的计算效率。