微粒群优化算法（Particle Swarm Optimization, PSO）源自对鸟群觅食行为的研究，是一种基于群体智能的随机搜索算法。PSO算法概念简单、参数设置少、计算速度快、鲁棒性好，短短十几年便获得巨大发展，并在一些领域取得较好应用，已成为一个新的研究热点。微粒群优化算法对简单问题优化效果良好，但对一些复杂、高维、多极值点的问题进行优化时，容易“早熟”收敛于局部最优点。所以，如何避免微粒陷入局部最优，是微粒群优化算法研究的重要课题。本文首先对微粒群算法的原理、流程、参数进行研究，介绍了几种常用的改进PSO算法；其次对图像的噪声模型、图像质量评价、常用去噪方法与Shearlet变换进行介绍；最后提出几种改进的微粒群优化算法，并将其应用于Shearlet图像去噪，具体的创新点和研究内容如下：（1）为防止粒子“早熟”收敛，借鉴多模型思想，提出多阶段多模型的改进微粒群优化算法。算法将寻优过程分成三阶段，各阶段采用具有不同探测与开发能力的模型进行进化，为保证种群多样性和精细搜索局部最优点，后两阶段迭代一定次数，重复后两阶段直到找到最优解。实验结果表明：该算法更容易找到全局最优解，比双群微粒群算法优化效率高。（2）对两群微粒群优化算法（TS-PSO）与基于不同进化模型的两群交换微粒群优化算法（TSE-PSO）的研究，提出一种改进的双群交换微粒群优化算法（MTSE-PSO）。算法中各分群采用不同的模型进化，当各分群进化到稳定状态后，随机抽取第一分群一部分粒子与第二分群适应值最差粒子交换，重复上述操作直到找到最优解。仿真实验显示：MTSE-PSO比PSO和TSE-PSO算法有更好的全局寻优能力和达优率。（3）传统的阈值选取策略，过度“扼杀”了图像系数，丢失了图像的细节信息，为此提出了基于粒子群优化算法的Shearlet自适应图像去噪方法。该方法根据Shearlet变换域不同尺度和方向系数的分布特性，采用多阶段多模型的改进微粒群优化算法自适应地确定各尺度和方向的最优阈值，实现基于图像内容的自适应去噪。实验结果表明，该算法较标准微粒群优化算法去噪图像有更好的视觉效果和更高的PSNR值。