在计算机控制系统中,信号的传输、检测和采集等受到环境影响而遭到不同程度随机噪声污染,对此实行信号去噪十分必要。如何滤除实际信号中的噪声,并获取有用信号,是目前研究热点。特别是高频部分和强噪声相混叠信号、微弱信号或非平稳随机信号,传统处理平稳信号的傅里叶变换对这些信号不能局部分析,而小波变换拥有时频局部分析能力,对以上信号去噪效果相对较好,其应用也极为广泛。几类小波去噪方法里,小波阈值收缩去噪法可以在最小均方误差意义上接近最优,且拥有很好视觉成效,而受到及广的运用与深层次的研究。在小波阈值去噪方法里面,小波基、分解层数、阈值和阈值函数是小波阈值去噪的重要性因素。对各种含噪信号的处理,不一样的小波基具有着不一样的特点,可以十分确信的是:往往没有一种小波基函数能够针对所有类型的信号都获得最优的去噪效果。同时,对于分解层数来说,也可以十分确定的是:不相同的信号、不相同的信噪比下会对应着一种去噪效果较佳或接近最佳的分解层数。本文针对小波基函数和分解层数的确定创造出一个算法,能够针对待处理的信号做出分析,以信噪比为指标,算法通过计算采用不同的小波基函数或分解层数对待处理的含噪信号处理之后的信噪比改善量,得出其关系模型以确定最适当的小波基函数和分解层数。阈值函数的选取直接影响信号重构精确度,而对于先前的硬、软阈值函数拥有的一定缺点:硬阈值函数曲线在阈值处是不连续的,这种拥有间断点的现象会促使去噪之后重构信号更轻易发生附加的振荡,造成“伪吉布斯”现象,并且大于阈值的小波系数中也通常染杂着噪声的扰动,影响了最后重构信号的质量;软阈值函数也有自己的缺陷:在进行阈值处理时,当小波系数的绝对值大于或者等于此阈值时,直接采取了将小波系数都减去了阈值这个办法,这样会造成小波的估计系数和原来信号的小波系数两者具有一定的偏差,会很大程度上影响最后信号重构的效果。针对传统阈值函数的缺点,许多学者提出了在软、硬阈值中间的改进型阈值函数算法。但这些阈值函数在全部小波空间域内高阶不可导,拥有临界阈值处不能平滑过渡的现象。因此本文提出一个带参数的阈值函数,该阈值函数拥有更高阶,通过手动调节参数使之位于硬、软阈值函数中间,且同时拥有硬、软阈值函数的优点,并在临界阈值内添加平滑过渡区,可在阈值处理时保留一部分有用的高频信号,较好地抑制细节系数的“过扼杀”和信号振荡现象。并且通过实验进行仿真,仿真结果说明了本文提出的新阈值函数增大了信号的信噪比,降低了均方误差,获得了相对很好的去噪效果。采用带参数阈值函数去噪过程中,针对具体的含噪信号,可以灵活调节阈值函数的参数,满足不同信号处理的去噪要求。然而,在实际应用中,待处理信号的含噪情况是不可预测或不可知的。对于这种随机变化的含噪信号进行去噪,阈值函数的参数不应该也不可能是固定值。因此对于随机含噪信号的处理,选择适用的优化算法来对阈值函数的参数进行优化,以期能够适应信号的变化,这也是去噪走向实用化的关键。阈值函数有两个参数,函数优化时参数较少,同时对于变化信号的处理则需在较短时间内完成优化目标,因此,需要收敛速率相对较高的优化算法。通过对比模拟退火算法、遗传算法、神经网络算法、蚁群算法等优化算法,选取收敛速度快、精度高及易实现且无需过多参数调整的粒子群优化算法。采用粒子群优化算法,针对信号含噪情况,自动优化阈值函数参数,实现去噪过程的自动寻优。采用基准信号仿真结果表明,提出的算法可以获得更小的均方误差和更高的信噪比,具有去噪实用化的价值。