合成孔径雷达（Synthetic aperture radar,SAR）是一种能够对目标区域进行实时数据采集遥感成像雷达。SAR在恶劣条件下具有的高效率成像优势,使其被广泛的应用在灾情监测、地形绘制、资源勘探和军事侦察等方面。然而,在获取SAR图像的过程中,会形成一种干扰强烈的相干斑噪声,这种噪声往往含有少量的有用信息并且容易与小目标混淆,严重影响了图像的目视解译和后续的处理应用。然而,去噪后的SAR图像会模糊边缘信息,如何均衡算法的去噪能力和信息保留能力是当前研究重点。因此,研究相干斑的去噪算法具有重要意义。随着线性稀疏表示理论的不断成熟,字典学习在图像处理得到广泛实践,然而应用在SAR图像方面仍有很多问题需要解决。本文在字典学习理论的基础上对消除SAR图像中的斑点噪声进行研究,主要工作内容:（1）基于非局部自相似的优先级字典学习的SAR图像去噪算法（Nonlocal Self-similar Priority Dictionary Learning,NSPDL）针对原始字典学习算法没有利用图像的自身相似特性和字典原子更新顺序的问题,提出一种基于非局部自相似的优先级字典学习的SAR图像去噪算法。首先根据SAR图像的特性去计算图像块的相似度,并从中选取一定数量的图像块组成字典学习所需的训练集;之后使用优先级字典更新对稀疏矩阵的行进行非零项统计,并进行由大到小的排序,选取非零项最多的行所对应的字典列进行首次更新;最后根据公式得出下次更新列序号,该公式取决于未更新系数矩阵行与已更新系数行在非零项位置的重合数量,将数值最多的作为输出结果。通过模拟SAR图像和真实SAR图像的去噪实验,证明了所提出的算法能够产生重构能力更强的字典,增强对相干斑噪声的抑制效果。（2）基于超像素分类的多字典学习的SAR图像去噪算法（Superpixel-based Clustering Multi-dictionary Learning,SCMDL）针对单一字典对信息复杂的SAR图像去噪效果不佳的问题,提出一种基于超像素分类的多字典SAR图像去噪算法。该算法首先将图像一定范围的像素聚合在一个超像素中,相比于传统矩形结构,超像素具有不同形状大小,对聚集相同像素点具有更好的灵活性,一定数量的超像素则包含图像所有像素;其次使用分类算法将超像素分成若干类,用来划分不同的散射区域,相同特性的超像素归为一类,得到不同的分类区域;最后使用初始化字典分别对分类区域进行去噪。实验表明,此算法能够对SAR图像的不同的散射区域均有好的相干斑去噪效果。