在图像处理领域中,块匹配方法是图像去噪与运动估计中的常用方法,其通过查询指定区域找出相似块,进行信息的比对与联合去噪,从而削弱不符合图片规律的噪声。其中,三维块匹配算法（BM3D）结合了空间域与频率域的若干种算法,是当前图像去噪效果最好的算法之一。本文以非局部均值算法为基础对图像去噪算法进行研究,主要研究工作如下:首先,针对三维块匹配算法计算耗时长,针对相似块提取不够准确、分割块内分布不同的相似特征无法提取等问题。提出基于Radon变换进行图像信息降维,并通过求解降维函数的方差值、以及方差最大值坐标定位进行相似块信息的判断。另外计算各相似块相对参考块的像素均值比例,并放缩再用于去噪。实验结果显示,优化算法去噪图像相较于原算法去噪图像运行时间减短,图像质量提升。然后,针对图像含有的特征规律性少,随机性强,可能出现没有办法发挥去噪优势的问题。本文利用了自然图像中存在的非局部结构自相似性,扩展了BM3D模型,利用不同旋转角度检测自相似性可以得到更稀疏的表示以及更好地分离信号和噪声。由于不同旋转的匹配需要插值,在块匹配过程中会出现一些模糊,并且进行旋转匹配在某些图像区域中可能造成不利的效果。为此,本文还引入了低秩正则化过程和“混合”方法来自适应地确定权重以组合不同的去噪估计,所得方法提高了BM3D的性能。最后,本文将非局部稀疏建模的思想与新兴领域的深度学习相结合,提出了一种基于深度学习的去噪方法（DenseNet Denoiser,DND）,该方法使用DenseNet结构和一种新型的非局部层来实现图像去噪的最佳效果。通过在MSCOCO数据集上进行训练和测试,实验结果表明,该方法在视觉质量、峰值信噪比等方面均优于其他方法。本文还提出一种新的非局部连接结构,使得网络在对图像进行去噪时可以有效地执行非局部协同滤波。通过添加非局部层进一步提高本方法性能,证明了非局部算法在深度学习中可用性。