在视觉信息感知过程中,数据获取、压缩、传输与存储过程中各种干扰影响,以及拍摄设备自身局限与人为操作不当等诸多因素,造成的数据丢失、噪声引入、有限聚焦等图像质量问题,给人们对目标或场景的感知与理解带来了巨大的挑战。因此,利用信号处理、计算机视觉以及机器学习等相关理论技术,研究图像去噪与融合技术,对多模态或噪声图像进行分析与处理,进而更好地理解与感知目标对象,具有十分重要的理论和现实意义。从图像融合与去噪的难点问题出发,以稀疏表示理论为核心,充分利用自然图像内在结构相似性与变换基函数下的稀疏性,对图像去噪与融合方法存在的计算复杂度高,以及“伪影”、“阶梯”效应、失真与信息丢失等问题,展开稀疏表示框架下的去噪与融合算法的研究。论文的创新性研究工作主要有:(1)针对稀疏聚类图像去噪的参数非自适应性,以及去噪图像存在人为干扰现象等问题,提出一种基于结构聚类与稀疏表示的图像去噪模型。在稀疏聚类去噪模型的基础上,引入图像多形态成分分析,提出一种新的稀疏聚类去噪模型,从而更好地抑制噪声信息;通过欧式距离刻画相似块组,采用混合高斯模型学习与判别图像块组,形成更紧致的KSVD训练字典,进而更有效、完整地表征图像几何结构与细节信息;将图像结构与内容先验信息引入正则参数的构建,分析与挖掘变换系数分布特性,优化并确定去噪逼近模型,解决参数与模型的非自适应问题;通过对去噪模型的迭代数学求解,重建去噪后图像,提升图像的质量。(2)针对传统图像融合中边缘振荡、块效应、失真等问题,以及压缩感知框架下感知测量的不确定性与融合策略等问题,提出了一种基于压缩感知理论的多源图像融合的新思路。通过分析不同尺度下图像重建的精度,选择合适的分解尺度;根据多尺度分解系数自身的特性,引入改进的自适应脉冲耦合神经网络与图像质量评价因子,构建多融合策略,从而有效地提取源图像的结构与细节信息;通过改进的梯度下降算法优化确定性Toeplitz测量矩阵,解决测量矩阵高计算复杂度与低重建精度的问题,进而通过改进的压缩采样匹配追踪算法精确重建融合图像。(3)针对传统图像融合中块效应、失真等问题,以及图像分解框架下图像的完整、有效的描述与计算复杂度高等问题,提出了一种新颖的基于卡通-纹理稀疏分解的多聚焦图像融合算法。受启发于迭代重加权最小二乘法的求解思路,提出一种基于迭代重加权的卡通-纹理稀疏分解模型,解决图像卡通-纹理分解有效表征与高计算复杂度问题,从而更有效、完整地表示图像卡通分量与纹理分量;针对提出的分解模型,通过详细地理论证明与分析,从数学原理上推导稀疏解的收敛性与可行性;根据图像卡通-纹理成分特性,引入图像质量评价因子来构建多融合策略,有效提取源图像中显著有用信息,从而进一步提升融合图像质量。实验结果表明,本文提出的去噪与融合算法取得了较优异的效果。最后,在理论分析与实验验证的基础上,对论文的主要研究工作与取得成果做了总结与分析,并展望下一步的主要研究工作。