基于有限混合模型的结构化稀疏表示图像去噪方法是图像处理领域的研究热点问题。与传统稀疏表示方法中的字典学习相比,有限混合模型学习方法具有计算复杂度低,数学机理容易理解等优点,其中高斯混合模型作为最常用的有限混合模型,已广泛应用于图像处理的各个领域,并取得了较好的效果。但是,传统的基于高斯混合模型的图像去噪方法没有考虑图像的梯度信息,导致在去噪过程中丢失了大量的图像细节和纹理信息;另外,由于高斯分布的尾部短而轻,高斯混合模型对噪声比较敏感,在图像受污染严重时,传统的基于高斯混合模型的图像去噪方法不能获得令人满意的去噪效果。为此,我们首先提出添加梯度保真项以在去噪的同时保留更多的图像边界信息;同时构造一种新的基于图像梯度和局部熵的自适应正则化参数格式,使得模型参数能够自适应于图像结构信息,从而保留更多的图像细节;为了克服高斯混合模型的噪声敏感性,我们还提出基于学生t混合模型学习的结构化稀疏表示图像去噪方法,由于学生t分布具有重尾特性,抗噪性能好,利用学生t混合模型学习图像先验信息能够获得更好的去噪结果。论文的主要工作包括以下四个方面:(1)提出一种耦合梯度保真项的基于高斯混合模型学习的结构化稀疏表示图像去噪方法,在图像去噪的同时能够更好地保留图像的细节和边界;(2)构造一种新的基于图像梯度和局部熵的自适应正则化参数格式,使得模型参数能够自适应于图像结构信息,保留更多的图像纹理特征;(3)提出一种基于学生t混合先验信息的结构化稀疏表示图像去噪方法,该方法具有较好的噪声鲁棒性,在图像受污染严重时仍能取得较好的去噪效果;(4)提出一种添加梯度保真项的基于学生t混合模型学习的图像去噪方法,该方法不仅具有噪声鲁棒性,还能在去噪的同时保留更多的图像精细结构。