数字图像在我们的生活中占据着越来越重要的角色。在它的获取和传输等过程中会因为各种原因产生噪声,导致图像质量下降。为了提高图像传达信息的准确性,并且为后续图像处理过程打好基础,图像去噪就显得尤为重要。目前,已经出现了多种图像去噪算法,并且都取得了不错的成果。其中由于Kernel PCA算法在非线性特征提取方面的突出表现,基于Kernel PCA的图像去噪算法一直是被广泛使用的方法之一。在本文中,对Kernel PCA图像去噪算法做出了两个方面的改进,第一,提出了基于距离映射的Kernel PCA图像重构算法,第二,提出了一种基于基准矩阵的核参数选择算法。首先,通过深入研究Kernel PCA算法,发现基于定点迭代的核参数重构方法中的缺陷,即容易陷入局部极小值和对初始迭代值的过分依赖性,因此提出了基于距离映射的Kernel PCA重构算法。该算法运用了多维尺度法的基本思想,即将高维空间中的距离关系在转换过程中保留至低维空间,通过计算欧氏距离,将特征空间中映射数据之间的关系映射到了输入空间中,维持了数据本来的结构,取得了较好的重构性能,体现出本文算法的优势。其次,基于核的方法可以用核函数来替代内积运算,规避了求取复杂的非线性映射函数的艰难过程,具有很大的优势。但是,核方法的效果却过分依赖核函数中参数的选择,而目前并没有规范的核参数选择算法。因此,本文提出了一种核参数选优算法,根据一定的标准构造合适的基准矩阵,通过网格搜索核参数,找到使得核矩阵与基准矩阵最相似的那个参数,即为最优核参数。最后,将本文的算法分别应用于四组仿真数据和Yale B人脸数据库实验中,使用基于距离映射的Kernel PCA图像重构算法进行图像重构,使用基于基准矩阵的核参数选择算法选择最优参数,均取得了较好的图像去噪结果,验证了本文算法的优越性。