对图像进行去噪，不仅可以便于人们更好的理解图像信息，而且可以方便人们进行后续的图像处理，该技术在医药学、航天、军事、工农业等诸多方面发挥着重要的作用。因此，图像去噪是图像处理的重要内容，受到越来越多人的关注。近年来，将稀疏表示用于图像去噪是该领域的研究热点。本文主要是基于稀疏表示理论来对图像去噪方法进行研究的，分别研究了稀疏表示固定字典和学习型字典的去噪方法及流程。在对稀疏表示去噪算法原理理解的基础上，提出了一种新的去噪方法，在去噪效果和速度上都有所提高。本文的具体工作内容如下：（1）分析了传统图像去噪基本理论及方法，并进行了中值滤波、维纳滤波、小波去噪等传统去噪方法的实验。深入研究了稀疏表示相关理论，分析了稀疏去噪的基本模型，并基于固定的DCT字典和Gabor字典进行了实验。通过实验效果对比，发现稀疏表示理论在图像去噪领域的优势。（2）基于K-SVD学习型字典的去噪模型框架，分析了字典学习和稀疏分解两个关键环节。相比于传统的固定字典，由于学习型字典是通过机器学习得到，其包含有图像的自有特征，所以一般情况下其去噪效果更好。在对学习型字典去噪实验的过程中，本文依据图像中所含纹理内容的多少建立测试图像集，并分别采用K-SVD全局字典和自适应字典进行了实验，比较了这两种字典的去噪效果：全局字典对纹理较少的结构图像有较好的去噪效果；自适应字典对纹理较多的图像有较好的去噪效果。（3）对学习型字典的去噪效果进行了分析，提出了基于MCA图像分解的稀疏表示去噪思路：即将图像分解为结构部分和纹理部分，然后使用全局字典对结构部分进行去噪，使用自适应字典对纹理部分去噪。这样可以更有针对性的对图像的不同部分进行去噪处理，实验结果表明该方法在去噪效果上有所提升。（4）为了提高基于MCA图像分解稀疏表示去噪算法的速度，引入了一种双稀疏的字典结构，以加快自适应字典的构建速度，在去噪效果不损失的情况下，提高了图像去噪的速度，取得了满意的实验效果。