无线多媒体传感器网络（Wireless Multimedia Sensor Networks，WMSN）因其部署快速、组网灵活、感知视频信息丰富等优点而被广泛应用于交通安全、环境监测等领域。然而，WMSN监测环境复杂多变，经常遭受恶劣天气及光照变化等外界条件的影响，从而造成WMSN图像含有较多的噪声，视觉效果难以达到监测的要求。因此，为了保证WMSN环境监测的可靠性，有必要研究适用于该复杂监测场景下WMSN图像的去噪方法。图像去噪通常为不适定的反问题，而正则化方法可以引用图像的多种先验信息对问题施加正则性约束，将不适定问题转化为求适定问题，目前已逐渐成为图像去噪最常用的方法之一。同时，考虑到图像的稀疏表示能充分刻画图像的本质特征，并可以根据数据是否在字典上具有稀疏表示，将图像的有用信息与噪声有效区分。因此，将图像的稀疏性先验知识应用于去噪模型中的正则项构建将会达到有效去噪的目的，且能够保留更多的有用信息。据此，本文结合正则化和稀疏表示理论，深入研究基于稀疏正则化的WMSN图像去噪方法，对于保证WMSN监测的可靠性具有重要意义。通过对WMSN图像特征的进一步深入分析，在基于K-SVD图像去噪算法的基础上，本文首先提出了一种基于结构相似度（Structural SIMilarity，SSIM）的WMSN图像稀疏正则化去噪算法。与前者不同的是，本文结合人眼视觉特性将结构相似度代替均方误差作为稀疏正则化去噪模型中的保真项，通过以其作为优化准则，能够最大限度地恢复图像的几何特征。实验结果表明，该算法相比于基于K-SVD图像去噪算法，在有效去噪的同时，能更好地保留图像的结构信息，获得更佳的图像视觉效果。然而，上述方法只考虑了单个图像块自身的稀疏表示，却没有充分利用各图像块之间可能存在的结构相似性，在一定程度上影响图像去噪效果。因此，本文又提出了一种基于图像梯度直方图和非局部自相似的稀疏正则化去噪方法，该方法充分利用了图像的稀疏性和非局部自相似（Non-loca Self-Similarity，NSS）两种先验信息去构建稀疏正则化去噪模型，并在求解该模型的过程中改进了字典训练方法，即用稀疏K-SVD代替PCA字典。实验结果表明，该方法不仅能去除大量的噪声，获得更佳的视觉效果，而且进一步降低了计算的复杂度，加快了运算速度，适用于复杂环境下的WMSN图像去噪。