图像信号在现代通信技术中扮演了重要的角色。然而干扰无处不在,图像在采集和传播过程中会由于设备或者环境条件的变化等因素失真。研究表明,大量干扰信号形成的噪声服从一定的分布,因此利用这些规律对图像的预处理成为一个热点话题。近年来,由于自然图像块存在重复结构,基于非局部自相似先验(Nonlocal self-similarity,NSS)的图像去噪模型受到了广泛关注。利用NSS先验收集的相似块具有稀疏性,此性质可用于估计潜在的低秩子空间。另一方面,自然图像的建模,例如高斯混合模型(Gaussian mixture models,GMM),已在计算机视觉的各个方面取得了成功。GMM外部先验在去噪过程的应用有效提高了内部图像的去噪性能,但是,现有的基于GMM模型的去噪算法存在以下两个问题:1、如何训练处理特定类型图像的GMM模型。2、如何通过GMM模型加速旋转相似块的匹配。本文针对外部先验存在的两个问题提出了解决方案,本文的主要贡献如下:(1)从贝叶斯理论的角度解释了几种外部去噪算法的概率含义,并分析了GMM的适用性问题以及在大量数据集可能存在的欠拟合问题。我们提出了训练专用GM M的概念,针对特定的数据集训练专用的GMM模型以适应同类图像的去噪问题,该训练方法在训练前对数据分类,有效减小了由于数据集过大可能引起的GMM欠拟合现象。实验表明,我们的方法有效减少了训练GMM模型所需样本数,在数据库图像去噪中各项指标均优于现有基于GMM的去噪方法。(2)我们针对GMM引导匹配策略的不足,提出了一种新的外部引导旋转聚类的方法。首先,将噪声图像作为一个整体预旋转形成一个旋转集合,随后GMM模型将引导集合中每一个元素的旋转聚类。我们设计的算法框架只需要预旋转整个图像,以避免在去噪过程中动态旋转图像块,因此它具有很高的计算效率。在并行聚类结束后,实施简单的类内合并策略以匹配相似的块及其旋转版本。我们在标准测试图像上测试了该算法。实验结果表明,与传统的自然图像去噪算法相比,该方法可以利用旋转先验提高去噪性能。在几何旋转特性较强的图像如Checkerboard图像,我们的PSNR提升了0.35d B。综合计算复杂度和去噪效果指标增量,我们的算法有着很强的优势。在实验中,我们实现了多核CPU加速的去噪算法程序,实验表明,我们的多核加速算法大幅度降低了计算复杂度。