红外成像技术作为新兴技术应用于电路检测或夜间目标识别等多个领域。在电力系统中绝大多数器件故障都伴随着发热的现象,红外图像可以直观的反映出当前场景的温度或温度变化,所以通过红外成像技术可以准确定位电力系统中即将或已经发生的故障。把红外成像技术应用在电力系统故障中可以实现故障预测和较高准确性的故障检测,保障生产生活的顺利进行。但红外图像由于其本身覆盖范围小,对比度不高等特点相较于其它图像更容易受到噪声干扰。目前多数去噪算法在处理含噪声图像时不能判断某像素点是否为噪声,而是将所用像素点采用相同的规则进行处理。这种去噪方式在处理细节较多或主体与背景差异不大的图像时,会产生过多滤除原图信息或不能有效滤除噪声的情况。为改善上述缺陷,提出一种噪点定位粗细两段式图像去噪算法,并应用到电力系统红外图像中。首先,为解决去噪效果边缘模糊和效果不佳的问题,对含噪图像进行边缘完善和图像自适应分区两步预处理。提取含噪图像边缘,保存其边缘信息并删除原含噪图像边缘,得到无边缘的噪声图像。再根据图像灰度值分布密度初步得出阈值₁^′和₂^′将图像分为三个区域,同时分别得出区域内灰度均值,再对取得的三个灰度均值按顺序依次平均化处理得出自适应阈值₁和₂;其次,对噪声信息粗糙过滤。奇异值分解无边缘含噪图像得出奇异值矩阵,利用奇异值矩阵本身特性通过百分比阈值对其降秩处理,再通过奇异值逆变换将降秩的奇异值矩阵与原左右奇异值矩阵组成新的图像,完成噪声粗糙过滤;再次,精细滤除图像中噪声信息。通过得到的自适应阈值₁和₂,按照图像灰度值分布将图像划分为能够体现图像内容分布的“深区”,“浅区”和“灰区”。分析超像素算法思想,提出类超像素算法,将其从图像分割领域应用至图像去噪中,将“深区”,“浅区”和“灰区”中的噪点作为类超像素提出并滤除,完成噪声精细滤除;最后,将所提取的图像边缘信息与图像精细去噪后的图像融合,得到去噪图像。通过多种算法性能指标——峰值信噪比（PSNR）的比较,验证该改进算法具有良好的去噪效果;并将该改进算法应用到电力系统红外图像中,亦通过多种算法PSNR值的比较验证该算法在极大程度地保留图像细节信息的同时,有效地去除噪声,达到了去噪的目的。