图像去噪一直以来在图像处理领域都占据着重要的位置。其根本目的是解决实际图像由于噪声干扰导致的图像质量下降问题。近年来,各种去噪算法的提出为我们解决图像去噪问题打开了一个个的突破口。其中非局部均值算法(NL_means)由于其优异的去噪效果及简单的算法思想受到了各界人士的广泛关注。当然,BM3D算法,KSVD算法以及非局部稀疏模型让我们接触到联合滤波的概念,即去噪过程可以由多种滤波算法联合组成。但大量的实验证明,第一次滤波结果对最后的去噪结果有着非常大的影响。本文将在小波理论的基础上,结合非局部均值思想,来分析小波低频图和高频图上的噪声分布,提出了低频相似度距离公式和高频相似度距离公式,以及构建了基于小波变换的相似性度量模型。(1)提出了一种基于小波变换的相似性模型。对小波变换后的低频子带和高频子带上的噪声进行了系统的分析,并为衡量小波子带中两个像素块之间相似性的欧氏距离推导了新的分布模型,从而建立新的相似性权值公式。大量的实验证明了该模型能较好的符合理论分布。(2)提出了一种基于小波低频的贝叶斯滤波方法。本方法使用小波低频系数来描述贝叶斯去噪模型中的相似性权值,并采用了低频相似性权值公式,克服了相似性权值计算中噪声干扰的问题,降低了噪声对计算相似性权值时所带来的影响,提高了相似性权值的准确度。低频相似性权值公式由图像自身的低频系数的分布状况所得,因此所需参数比较少。大量实验证明,该算法与传统图像去噪算法相比,在峰值信噪比和视觉上都取得较好效果。(3)提出了一种基于小波高频的非局部均值滤波方法。本方法结合非局部均值思想,详细分析了小波各个尺度各个方向上子带的欧氏距离的分布状况并给出了相应的分布模型。通过当前像素块在所使用的小波尺度上的每个方向子带上大系数的个数,把各方向子带结合起来描述像素块之间的相似性。实验证明,该算法有较好的去噪效果,从而也说明了建立准确的模型对图像去噪的重要意义。本论文工作得到了国家自然科学基金(61072106),教育部长江学者和创新团队支持计划(IRT0645)以及中央高校基本科研业务费专项资金(JY10000902032)的资助。