在如今信息化技术高度发展的时代，数字图像是人们日常生活中最常接触到的信息载体，与人们的日常生活息息相关。然而图像在获取(成像)和传输过程中不可避免地会受到噪声的污染，影响图像的质量，进而影响后续的图像应用。因此图像去噪是图像处理最基础的问题之一，也是计算机视觉最底层的研究之一，有着重要的现实意义。
　　由于图像去噪是一个病态的逆问题，其解存在无穷多个，所以结合图像的先验信息，用于构造合适的正则项来约束缩小解空间，是解决这个病态逆问题的重要途径之一。根据获取和利用先验的不同，现阶段的图像去噪算法可以分为三类：基于稀疏性先验的图像去噪方法；基于低秩先验的图像去噪方法；基于先验学习的图像去噪方法。本论文针对其中存在的问题，主要做了以下几方面的工作：
　　(1)针对现有基于稀疏表示的方法依赖参数调试的问题而深入研究非参数模型，发现其缺乏合理利用图像结构先验的方法而导致其去噪性能不够优异。为此，首先提出了非局部结构化贝塔过程，可以较为方便的引入图像结构先验信息。在这基础上提出了基于非局部结构化贝塔过程的非参数贝叶斯稀疏模型，并将该模型应用于图像去噪问题。实验验证了该方法不需要预先调试大量参数，也不依赖于噪声方差，在有效去除噪声的同时，可以将噪声方差较为精确的估计出来。
　　(2)针对基于低秩近似的图像去噪方法容易过度平滑图像，提出了联合局部梯度信息和非局部自相似性来减轻过度平滑的思路。利用总广义变差来描述图像的局部梯度信息，将其作为正则项来引入低秩近似模型，提出了基于局部结构保持的低秩近似模型。为了求解所提的模型，本文提出了一整套优化方案，接着提出了使用再加权的策略不仅使得总广义变差参数自适应更新，还让总广义变差能更加灵活地处理局部梯度信息。实验结果验证了该方法的有效性，具有优异的去噪性能。
　　(3)针对目前基于权重模型的方法无法在不同强度的噪声等级下准确地估计出权重矩阵的问题，提出了一种基于权重鲁棒估计的混合噪声去除方法。该方法首先假设权重值服从帕累托分布，由此得到权重矩阵的正则化先验，再结合低秩近似的图像先验，将权重矩阵的正则化先验引入，得到了最终的去噪模型。为了自适应的设定关键参数，本章提出了一种基于鲁棒统计的估计方法，可以根据噪声强度自适应的设定参数。通过交替优化求解所提出模型后，可以同时估计出无噪图像和权重矩阵。实验结果验证了该方法可以鲁棒地应对各种强度的噪声，准确估计出权重和去除噪声。