图像去噪技术的研究目前还是一个热点难点问题。近年来学者已经提出很多复杂巧妙的去噪算法，但大部分都只能局限于一定的适用范围。也就是说，只有当图像模型符合算法的假设时，才会取得很理想的去噪效果，在其它情况下往往效果不如人意。如何在去噪性能和保护图像细节纹理之间保持平衡是图像去噪的难点所在。　　 A.Buades等人提出的非局部均值算法是目前研究最广泛的去噪算法之一。原因在于该算法在去噪性能以及图像纹理、边缘信息的保持上同时具有非常好的效果。非局部均值去噪算法主要利用数字图像中存在大量的自相似块这些冗余信息，通过建立待去噪像素点邻域与搜索区域的像素点邻域的相似性测度，计算搜索区域各像素点与待去噪像素点的相似度权重，然后对搜索区域内的像素点进行加权平均，从而计算得到待去噪像素点新的灰度值。非局部算法的思想简单却十分可行，但是逐个像素点处理必然导致计算复杂度太大，因此还有很多改进的余地。　　 本文基于非局部的思想，对非局部均值去噪进行了深入研究，并将其应用到具体实践中，主要工作有：　　 1.基于概率统计对信号相关噪声模型及其参数估计进行研究，并对低照度条件下RAW图像和高光谱遥感图像进行建模。　　 2.将泊松-高斯噪声模型与非局部均值去噪算法结合，应用于低照度条件下RAW图像的去噪处理，在取得较好的去噪效果同时保持了细节区域。　　 3.将非局部均值二维相似块计算扩展到三维立方体相似块计算，应用于高光谱遥感图像数据，取得很好的去噪效果并保持了细节区域。　　 实验结果表明，非局部均值去噪算法在RAW图像和高光谱遥感图像中具有很好的效果。