数字图像由于成像设备及成像条件的限制以及图像在采集、转换、和传递过程中不可避免地受到噪声的污染。因此，图像去噪在图像处理领域具有举足轻重的地位，成为该领域最基本技术之一。近年来，各种去噪算法的提出为我们解决图像去噪问题打开了一个个的突破口。其中有非局部均值算法（NL-means）、BM3D算法、K-SVD算法都有很好的去噪效果。　　非局部均值滤波器充分利用了图像中大量的冗余信息，用块匹配的方法来衡量两个像素点之间的相似性，对于加性高斯白噪声有很好的抑制效果。图像稀疏表示研究近年来已成为图像压缩领域研究的热点，并被应用于图像去噪领域，取得了很好的效果。结合上述优点，非局部稀疏模型被提出，并在图像去噪中取得了非常好的效果。本文工作是在非局部稀疏模型下的字典学习的研究，主要包含以下几个方面：　　(1)研究了基于在线字典学习的非局部稀疏模型去噪方法。首先利用非局部的思想得到图像的相似数据集，将所有的相似数据集合作为学习样本，采用在线字典学习算法训练字典。利用学习得到的字典能够有效的实现噪声图像的平滑并保持细节。　　(2)提出了一种基于稀疏字典的非局部稀疏模型去噪方法。对图像的每一个相似数据集单独训练字典，并引入双稀疏性字典学习算法克服小样本数据字典学习时带来的过拟合问题，取得了较好的去噪效果。　　本论文工作得到了教育部长江学者和创新团队支持计划（IRT0645）以及中央高校基本科研业务费专项资金(JY10000902032)的资助。