图像是人们获取信息的重要来源。然而,由于成像设备及成像条件的限制,图像在采集、转换以及传输过程中不可避免地受到噪声的污染。因此图像去噪在图像处理领域占据着重要的位置,是图像边缘检测、特征提取、图像分割、模式识别等工作的前提。图像处理中许多实际的噪声可以近似的认为是高斯白噪声,因此去除图像中的高斯白噪声成为图像去噪领域中一个重要的方向。非局部均值滤波器对加性高斯白噪声有较好的抑制作用,这证实了图像块在被噪声污染的情况下仍具有相关性特征。图像稀疏表示研究近年来已成为图像压缩领域研究的热点,并被应用于图像去噪领域,取得了很好的效果。基于非局部稀疏模型的图像去噪方法正是在这样的背景下提出的图像去噪方法,去噪效果显著。本文以该方法为研究基础,主要工作是基于非局部稀疏模型图像去噪方法中字典的研究。主要工作包含以下三个方面：(1)提出了基于PCA的非局部稀疏模型图像去噪方法,利用图像的PND字典初始化相似数据集合的稀疏表示字典,并使用相似集合数据进行字典学习更新。使用低冗余字典对相似数据进行稀疏表示去噪,提高了稀疏表示效率。(2)提出了基于改进字典的非局部稀疏模型图像去噪方法,使用相似集合中的相似数据来初始化稀疏表示字典,初始化字典经过学习更新后对相似数据进行稀疏表示实现去噪,较好地克服了稀疏表示中线性表示的欠拟合与过拟合问题,去噪效果有明显提高。(3)提出了基于联合稀疏模型的图像去噪方法,主要是先利用稀疏分解将相似信号分解为公共分量和特征分量,噪声包含在特征分量中,然后为特征分量选择合适的稀疏字典,利用稀疏表示实现去噪。该方法保持了第二种方法的优势,同时弥补了第二种方法对较大噪声抑制性能差的不足,综合去噪能力得以提高。本论文工作得到了国家自然科学基金(61072106)、教育部长江学者和创新团队支持计划(IRT0645)以及中央高校基本科研业务费专项资金(JY10000902032)的资助。