近年来，无人机监测技术广泛应用于军事和民用领域，以替代人工监测，减小工作风险、降低运作成本。　　然而，无人机监测会受到噪声、雨雾天气、运动模糊等因素的影响，导致图像的视觉效果下降并影响其后期处理，例如目标识别、测绘等。为此，本文从独立分量分析的角度出发，研究并实现了抑制图像中加性高斯白噪声和雨雾天气干扰的算法。本文研究内容包括以下三个方面。　　首先，针对加性高斯噪声干扰，本文研究了独立分量分析收缩去噪技术，包括收缩函数和独立分量分析稀疏编码两个部分：　　(1)分析了高斯噪声干扰下稀疏分布的收缩函数极其后期处理；讨论了概率模型选择准则问题；并从最小均方误差角度出发，论述稀疏编码和独立分量分析的联系。　　(2)讨论了算法实现中预处理的影响、参数选择等问题，给出了在不同子窗口大小下，该算法的噪声抑制性能。在本文的实验环境中，独立分量分析收缩去噪算法的信噪比增益优于维纳滤波和中值滤波。相对于维纳滤波，在标准差为0.7的强噪声条件下，对于自然图像，信噪比提高了约2.7dB；对于人工图像，提高了约3.4dB。　　其次，针对雨雾干扰，研究并改进了非线性独立分量分析去雾技术，包括传输系数估计、传输系数平滑、空气光色彩向量估计：　　(1)基于传输系数和噪声传播的推导过程，给出了传输系数噪声功率计算结果；分析了传输系数马尔科夫平滑模型的建模过程，并给出了该模型的求解算法；为解决估计空气光色彩向量的问题，对比了四种当前主要的估计算法及其对非线性独立分量分析去雾的适用性，改进了算法。　　(2)分析了噪声和窗口大小对传输系数估计结果的影响，并验证了噪声功率计算结果以及噪声经验门限的正确性；使用合成图像测试了传输系数以及目标图像估计结果的平均绝对误差，两者分别为0.072和0.089。　　最后，基于开放计算机视觉库，使用C语言结合多核CPU及GPU编程，实现了上述算法。通过选择适当的工具，本文实现的程序具有可移植性。通过分析程序热点，对程序进行了有效优化。对于512?512图像，GPU去噪程序执行一次只需0.38s，GPU去雾程序执行一次需要约7.97s。　　去噪和去雾程序模块属于无人机通信链地面控制站信号处理软件。下行通信链路速率要求程序在1s内处理一副512?512的图像。本文使用GPU实现的收缩去噪程序，可用于实时图像去噪；实现的去雾程序可用于非实时图像去雾。