在现代人工智能化的社会,图像已经发展成为不可或缺的信息传播载体,然而在其采集、传输或者存储过程中,总是易受到噪声的干扰,使得图像产生一定程度的失真,进而影响图像的后续处理工作。因此,根据图像退化产生的原因,在可用的设备处理功率和可用时间范围内,有效去除图像的噪声在图像处理领域具有重要的理论应用价值。对于一些内部纹理特征及边缘角点信息的保护,如果偏微分方程法仅靠梯度算子来扩散可能会事倍功半;变换域去噪方法具有良好的时频特性,却易产生吉布斯效应。故如何在保护图像的边缘及内部纹理信息的前提下进行高效的噪声滤除依旧是图像降噪的难点所在。基于此,本文从非局部着手,重点研究了自适应高斯变分模型以及波域内的块匹配图像去噪方法,主要的研究工作内容如下:(1)提出基于全变分的混合加权维纳滤波模型进行去噪处理,引入由结构相似度确定的加权值α来均衡维纳滤波法与自适应高斯全变分去噪模型优势,通过实验仿真验证了该模型能够有效保护边缘信息结构。(2)在小波域内建立三维块匹配调和滤波模型,利用三维变换其相关性将匹配块群组中真实信号用稀疏形式表示,而后通过收缩阈值实现预去噪的目的;小波分解变换以提取预估计图像中的高频部分进行滤波,为避免边缘模糊,引用拉普拉斯高斯算法构建新算子带入扩散模型,小波系数重构以得到原始图像的最终逼近。(3)提出基于剪切波的块匹配去噪模型,为了避免出现病态问题,根据直方图的统计特性来预计伸缩阈值,对高频子带进行硬阈值滤波以获得处理后的子带系数,把所有处理后的子带系数进行反变换重构从而得到去噪后的图像,通过对比实验验证该算法的可实施性。