Curvelet(曲波)作为一种新的多尺度分析的方法比小波更加适合分析二维图像中的曲线或直线状边缘特征，而且具有更高的逼近精度和更好的稀疏表达能力。第二代Curvelet变换理论的提出也使得其理论更易理解和实现。目前关于第二代Curvelet变换理论的研究刚刚起步，如何在实际图像处理中应用该理论还有很多工作要做。将Curvelet变换引入图像融合，能够更好的提取原始图像的特征，为融合图像提供更多的信息。 本文首先介绍了图像处理中几种常用的变换，接着分析了第二代Curvelet变换的原理，讨论了它的实现算法。将第二代Curvelet变换引入图像融合领域，首先对图像进行Curvelet变换，然后在相应的尺度上利用融合规则将Curvelet系数融合，最后进行重构得到融合结果。通过实验分析得到适合Curvelet变换使用的融合规则。实验表明对于多聚焦图像，Curvelet变换的融合算法均优于小波变换的融合算法，特别是采用基于边缘的融合规则时Curvelet变换的融合效果改进更好。 针对经典去噪算法的缺点，本文改进了Curvelet去噪中原有的阈值函数，将神经网络中常用的S型函数引入到Curvelet阈值去噪中，取得了较好的效果。同时，提出了一种新的基于Curvelet变换的图像融合去噪：方法，该方法首先直接提取噪声图像的边缘信息，对提取出来的边缘信息进行去噪处理，然后对噪声图像进行Curvelet阈值去噪，最后将处理过的边缘信息与去噪后的图像进行融合，取得了更好的效果。