合成孔径雷达由于具有全天时、全天候、成像分辨率高等显著优点而被广泛应用于军事侦察和民用遥感的各个领域中。然而，不同于自然图像，SAR的相干成像原理造成所成图像中含有大量的乘性相干斑噪声，给SAR图像解译及压缩等应用带来了诸多困难。因此，SAR图像去噪是SAR图像处理中的一个重要的预处理步骤和研究课题。本文根据SAR图像斑噪声的统计特性，研究了基于非局部均值和稀疏表示的SAR图像去噪方法。　　 本文首先介绍了SAR图像的成像原理及统计模型，然后重点说明了SAR图像相干斑噪声的形成机理，并分不同数据类型给出其概率分布及对数变换后的噪声概率密度函数和统计特征。基于以上理论基础提出了两种去噪算法。　　 一是基于非局部均值滤波的SAR图像去噪方法。该方法将结构相似度SSIM引入到原NL-means算法小块相似性度量中，线性变换后与原高斯加权的欧氏距离相乘作为新的距离度量标准，改善了原算法对图像边缘结构的表达。针对SAR图像的乘性噪声模型，本算法先对SAR图像进行对数变换将噪声变为加性，处理完后再进行指数变换恢复SAR图像原始辐射特性。　　 二是非局部均值与稀疏表示结合的SAR图像去噪方法。该方法根据SAR原图像的噪声模型和视数信息，在预处理及其逆变换步骤中进行精细的参数估计，并引入均值修正步骤以保持原图的平均散射特性。在对数变换后，用块匹配的方法找到4块相似小块，同时利用4个相似信号的内容进行去噪。在用主成分分析的方法得到相似信号的主要结构成分后，作为K-SVD字典训练算法的训练集进行字典训练。稀疏表示的方法可以根据图像内容自适应地学习得到字典，能够对当前图像获得更好的稀疏逼近，突出图像包含的结构信息，用于图像去噪更利于图像结构边缘的保持。用训练好的字典完成对图像小块的去噪后，同时返回原小块组4个小块的位置做平均得到整幅去噪后图像，最后进行预处理逆变换得到去噪后的SAR图像。　　 将所提两种算法实验于真实SAR幅度图像上，结合主观视觉效果和三种客观质量评价参数进行去噪效果评价表明，所提两种算法在斑噪声抑制能力和边缘结构的保持能力上优于传统算法，且NLSR算法在辐射均值的保持能力上也有提高。