随着计算机技术科学的发展,各种各样的成像设备与成像方法都有了极大的进步,随着图像在社会各个领域的广泛应用,图像处理技术的重要性也日益增加。而在图像采集、压缩、存储以及传输过程中不可避免地会引入图像噪声,这些噪声会引起图像失真,导致图像信息的丢失,对比度大幅下降。另外,由于实际含噪图像的图像真值、噪声种类以及噪声密度等级均为未知,使得实际图像的去噪工作具有很大的挑战。本文采用多尺度几何分解和神经网络学习相结合的新方法,对被噪声污染的图像进行降噪处理。与传统方法比较,新方法处理的噪声图像保留了更多的图像细节纹理信息。本文的研究内容主要包括以下三个方面:（1）现代摄像装备产生大量带有噪声的图像,去除噪声才能更好地发挥图像的利用价值,但是在去除噪声的同时会破坏图像边缘和纹理信息。针对这个问题,提出了基于多尺度几何变换与模糊支持向量机相结合的图像去噪算法。首先使用多尺度几何变换对图像进行分解,对分解所得子带系数构造二值坐标图,利用空间规则判断系数是否包含原始图像的特征信息。之后经过模糊支持向量机训练,将每个高频子带的系数分为细节信息类和噪声类,构建了一种可解释信息粒度方法解决模型的参数选择问题。依据自适应贝叶斯阈值,计算每个子带相对应的阈值,对各个子带进行系数收缩。所提算法适用于处理含噪图像,可以提升去噪图像的质量。与同类去噪算法的去噪效果进行了比较,表明了算法的有效性。（2）多数深度卷积去噪网络缺乏模型灵活性,经训练得到的去噪模型通常只能处理特定噪声密度等级的图像。为解决此问题,提出了基于离散剪切波变换的卷积神经网络去噪模型。利用离散剪切波变换对图像进行分解,将通过分解得到的若干子带图像作为训练样本输入卷积模块中,此操作将一副图像变为了若干子带图像,扩大了样本规模,缓解了小样本模型训练过拟合问题并提高模型的泛化能力,减少模型训练所需的时间。同时离散剪切波分解可以对图像信息以及噪声进行预分类,帮助卷积去噪模型更好地提取图像特征,增加模型的去噪性能。在最后使用逆离散剪切波分解算法重构图像,由于离散剪切波分解具有信息无损的性质,不会造成图像的纹理丢失,有助于图像的细节保持。所提方法在训练阶段使用了多种策略,并引入随机噪声图,使模型有充足的灵活性以对不同噪声密度等级的含噪图像进行去噪,适用于实际图像的去噪,在保证去噪效果的前提下提高了模型的灵活性。（3）为了进一步提升深度卷积神经网络模型的去噪能力,更好地保持去噪后图像的边缘纹理信息,解决网格效应问题,提出了一种使用非下采样轮廓波变换的深度卷积神经网络去噪模型,模型由一个收缩子网络与一个扩张子网络组成,由于非下采样轮廓波分解的优良时频域特性,模型可以同时获得特征图的频率信息和位置信息,在去除噪声的同时保留原始图像的边缘纹理信息。使用非下采样轮廓波变换与逆非下采样轮廓波变换取代收缩子网络中的池化层与扩张子网络中的上卷积层,在提高模型去噪效果的同时避免了池化层与上卷积层引起的信息丢失以及网格效应。与同类去噪算法就去噪效果以及运算速度进行了比较,所提模型具有优秀的去噪效果,适中的计算复杂度,且模型可以处理范围噪声,适合用于实际图像去噪,具有广阔的应用前景。