在小波变换基础上发展起来的的轮廓波(Contourlet)变换不但具有小波变换的多分辨率，时频局部特性，还具有各向异性，多方向选择性特性，在图象处理中得到广泛的应用。 本文重点讨论了基于小波变换和Contourlet变换的图像去噪和目标识别。首先，分析比较了几种比较经典的小波变换去噪方法：对于经典阈值算法“过扼杀”小波系数，损失很多细节信息的缺点，添加约束因子对传统的方法进行改进；同时针对小波变换缺乏平移不变性，采用静态小波变换来抑制伪Gibbs效应。实验证明这两种改进能够得到比原来方法更高的PSNR和更好的视觉效果。其次，本文介绍了Contourlet变换的阈值去噪算法；根据Contourlet变换后系数的统计特性，结合统计模型对基于统计模型去噪法进行了改进；由于Contourlet同样缺乏平移不变性，我们采用循环法，抑制伪 Gibbs效应。实验证明基于统计模型的Contourlet去噪法要比传统的阈值法有更高的 PSNR 和更好的视觉效果。将Contourlet变换去噪法和小波变换去噪法比较，实验证明Contourlet变换能够提高图像去噪的性能，尤其体现在能够更有效的保持图像的边缘和细节。最后，因为Contourlet变换的多方向性和各向异性能够很好的表征图像，所以本文将图像经过Contourlet变换，提取每一层各个方向的系数统计特性构成特征向量，然后通过小波神经网络分类器和 BP 神经网络分类器，可以得到较好的分类效果。实验结果表明：相比较于 BP 神经网络，小波神经网络的分类效果更好；倘若预先对分类图像进行去噪预处理，还可以得到更好的识别效果。