随着计算机技术的发展,计算机图像与人们的日常应用的关系愈加紧密。然而,在图像的产生、传输和保存的过程中,往往会受到各种噪声的干扰,严重的影响图像的视觉效果。因此,各种图像处理技术孕育而生,其中的图像滤波技术就是关键之一。图像滤波技术需要在减少噪声的同时,尽可能多的保持了图像的细节,为后续的处理工作奠定坚实的基础。本文在研究和分析了传统的图像滤波算法的特点和不足之后,针对噪声的不确定性特点,以及传统算法对图像的单一处理的缺陷,结合模糊理论,提出了一种基于模糊理论的加权混合滤波算法。此算法利用图像的中值、均值和原值等特征信息,运用模糊理论得到相关的加权系数,并以此计算最后的滤波结果。本文的主要工作有以下三个方面:1)提出了一种改进的隶属函数。通过对噪声特征的分析,论文中对传统的高斯型隶属函数进行了改进得到了改进型高斯隶属函数,从理论上说,更接近实际噪声的影响。2)提出了一种变形的去模糊方式。即以噪声的分类加权系数作为去模糊函数的权值,而隶属函数的输出结果仅作为隶属函数输入的修正系数。3)改进了滤波器的输入。通常的输入都是图像的某一绝对特征,如灰度值。考虑到加入相关性提高滤波效果,在本滤波器中引入这些绝对特征的差值,即灰度原值和邻域中值、均值的差。通过对比实验可以看出,由于此算法充分的考虑到了图像之间的相关性和噪声的不确定性,滤波的结果在减少噪声的同时也极大的保持了原图的细节部分。并且此算法相对于一些复杂算法而言,其计算简单,无需遍历图像计算统计信息,具有良好的实时性。