作为有力的和应用广泛的通信媒介,图像已经成为人类认识物理世界的主要信息来源。图像处理和理解成为当今科学技术的重要组成部分。然而,由于成像系统的不完善、周围环境的变化等因素的影响,图像在形成、传输、记录过程中会产生退化,导致信噪比(Signal-to-Noise Ratio, SNR)和分辨率降低、畸变、模糊等。图像的退化严重影响了其实际应用效果,图像分析和理解需要消除这些影响。目前,主要有两种方式：一是通过预处理对退化图像进行恢复；二是在图像理解算法中考虑退化因素造成的偏差。噪声是导致图像退化的主要因素之一,同时,图像去噪模型很容易扩展到去模糊等其它图像恢复模型。因此,图像去噪一直是图像处理领域的研究热点。城市变化检测在城市演变、城市规划、数字城市等领域有着非常重要的作用,.由于高分辨率图像可以提供更多的细节信息,近年来,基于高分辨率遥感图像的城市变化检测受到了更为广泛的关注。图像处理算法可以在“块”尺度上进行,本论文旨在利用分块思想和图像块先验提高退化图像的信噪比和多时相高分辨率(Very High Resolution, VHR)遥感图像变化检测的精度。本论文的主要创新性工作概括为以下四个部分：第一部分研究受加性高斯白噪声影响的高光谱图像的恢复。结合主成分分析(Principal Component Analysis, PCA)能量集中的特性和字典学习对每个主成分图像的自适应性,提出了基于主成分分析和字典学习的高光谱遥感图像去噪方法。该方法利用了高光谱图像在变换域的图像块的稀疏性先验。实验表明,新方法达到了更好的去噪效果,更好地保留了细节,有效抑制了斑块效应。第二部分提出一个新的字典学习模型。图像的光滑性先验假定图像属于某个光滑函数空间,图像块的稀疏性先验假定图像块可以在一组正交基、框架或者过完备字典下进行稀疏表示。综合以上两种假定,提出图像块可以在光滑字典下进行稀疏表示,建立了二阶总广义变差(Total Generalized Variation, TGV)正则的过完备字典学习模型,并将其应用于图像中加性高斯白噪声的去除。与已有字典学习模型相比,提出模型可以有效地控制字典原子的光滑性、更好地保留图像的结构,数值实验验证了提出模型的有效性。第三部分研究受乘性Gamma噪声污染的灰度图像的恢复。基于图像的光滑性先验、对数域图像块的自相似性和稀疏性先验,提出了基于相似块组的乘性噪声去除模型的新框架,同时考虑了3种重要的图像/图像块先验。考虑高阶奇异值分解(Higher Order Singular Value Decomposition, HOSVD)和总变差(Total Variation,TV)正则的互补性,给出了一个具体的乘性噪声去除模型,分析了对应的求解算法。实验结果表明,新模型在有效去除乘性噪声的同时,可以更好地保留图像的边缘和纹理区域的细节信息。第四部分研究多时相高分辨率遥感图像变化检测。利用图像块在特征空间下的相似性,提出了变化场的概念。变化场具有明确的物理意义,它将高维特征空间投影到3维变化特征空间。利用图像块在空间的偏移距离和在特征空间的相似度差异,变化场在“块”尺度上有效的度量了两幅高分辨率图像间的复杂变化,提高了变化类和非变化类的类间可分性。基于变化场和渐进直推式支持向量机分类器,给出了一个高分辨率遥感图像变化检测新方法。实验表明,一些已有的变化检测算法的精度可以通过使用变化场得到提升,提出的方法可以有效地区分变化类和非变化类。