双边滤波同时兼顾了空域相似性和值域相似性,使其在消除噪声的同时能很好的保持边缘,从而解决了传统的低通滤波器所导致的图像过平滑和丢失细节信息的问题。但双边滤波计算复杂度与所选用的滤波窗口大小成正比,造成了其在选用大滤波窗口时计算负担高、运行速度慢的缺点。若可以降低复杂度,不仅可以显著提高双边滤波器的计算效率,还有利于提高计算机视觉、计算机图形及机器学习等领域内诸多基于双边滤波所构建起来的一大类算法的计算速度。因此,对双边滤波加速算法的研究具有很重要的理论和实用价值。而国内学者对这一领域的研究一直甚少,而且研究质量与国际最先进的水平相比还有很大的差距。所以,本文致力于研究有效的双边滤波加速算法,主要贡献有:1)基于因式分解和均方差优化的双边滤波加速方法。该方法克服了对双边滤波进行加速的一般框架的束缚,首先将双边滤波器的值域核函数进行因式分解,找到其中导致双边滤波耗时严重的一项作为逼近的目标函数;接着利用变分法,将对目标函数进行逼近的均方差优化问题简化为奇异值求解问题;最后再通过迭代求和得到比最先进的加速算法更好的滤波结果。2)通过训练神经网络进行双边滤波加速算法的设计。将当前使用最广泛的双边滤波加速流程(Splatting-Blurring-Slicing,SBS)与目前最热的深度学习方法结合起来,将双边滤波加速问题交付与训练神经网络,不仅能在训练中保证最小的逼近误差,还能为基于SBS流程的加速算法提供统一的视角,便于理解和应用。3)将理论研究与实际应用相结合,设计并实现了一个快速双边滤波系统,用户只需输入滤波系数和待滤波图像或者视频,就可以快速地获得满足需求的滤波结果。