在图像处理中，图像通常都存在着各种不易消除的噪声。寻求一种既能有效地减小噪声、又能很好地保留图像边缘信息的方法，一直是人们努力追求的目标。传统的去噪方法很难同时兼顾这两个方面。而小波分析由于在时域频域同时具有良好的局部化性质和多分辨率分析等优点，不仅能满足各种去噪要求，如低通、高通、陷波、随机噪音的去除等，而且与传统的去噪方法相比较，有着无可比拟的其他优点，成为信号分析的一个强有力的工具，被誉为分析信号的”数学显微镜”。 本文的工作主要包括以下三个方面的内容： (1)本文首先总结了各种图像去噪方法，并对其进行了总结与对比，提出了各自的优缺点，着重阐述了小波变换的基础理论，给出了小波变换的基本概念、基本思想、发展历程和小波去噪的基本方法。 (2)对小波系数进行统计建模可以进一步提高图像去噪效果，本文定量的给出了模型的建立过程，分析了小波系数间的相关特性，在此基础上，提出了三种新的算法：基于局域特性的自适应算法，基于邻域特性的自适应算法以及多方向多尺度的自适应算法，实验结果表明，这几种算法比传统算法有更好的去噪效果。 (3)小波变换因其良好时频局域特性和多分辨率特性，在图像处理中得到了很好的应用。但由于它不具有类似人眼的方向特性，对具有线状奇异的特性，小波变换的图像表示则不再稀疏。J．Candes等人提出的Curvelet、Ridgelet、Contourlet等变换提供了多尺度几何分析(MGA)的思想，它们不仅具有小波的时频局域特性和多分辨特性，还具有方向性和各向异性。本论文简单地介绍了Contourlet变换，并将小波去噪方法引入到Contourlet变换去噪。实验结果表明，应用Contourlet变换的图像去噪算法能获得很好的去噪效果，尤其是对边缘信息丰富的图像。