图像是人类获取信息和知识的重要来源。然而由于成像设备和人为因素等原因,图像退化现象不可避免,这往往也给后续的图像处理带来诸多麻烦。因此,图像复原技术一直是当今研究的热门对象之一。图像复原技术发展至今,从空间域的均值滤波、中值滤波的方法,到变换域的傅里叶变换、小波变换、多尺度变换的方法,以及近年来飞速发展的正则化图像复原方法和基于稀疏表示和低秩表示的图像复原模型,图像复原早已是计算机图像处理中一个十分重要的内容。本文通过对经典图像复原算法的学习,在分析总结现有主要的图像去噪技术的基础上,针对现有图像去噪模型中的一些不足,提出了两种图像去噪模型的改进:一个是基于非对称高斯混合模型的EPLL图像去噪算法;另一个是融合相对全变差的加权核范数最小化图像去噪算法。(1)由于自然界中的图像大多具有复杂性,而高斯分布是一个对称分布,通常并不能完全拟合一幅图像。针对图像中存在的一些非对称数据,这些数据往往不能通过高斯混合模型进行很好的表达,我们提出了一种基于非对称高斯混合模型的EPLL图像去噪方法,改进了有限混合模型在图像去噪时通常假设自然图像的各个成分都符合高斯混合的特性,非对称高斯混合模型可以模拟非对称分布,与自然图像的数据更加一致,因此去噪效果有所提升。(2)在现有基于低秩表示的图像去噪模型中,加权核范数最小化算法具有易求解且性能好的特点。它通过对奇异值采用不同权重来区分对待,利用图形结构的非局部相似性,通过块匹配得到相似块矩阵。但是,其对于不规则图像的纹理部分和边缘结构仍然无法较好的表达,在图像的细节纹理部分容易产生过平滑现象。因此针对这一问题,我们提出了一种融合相对全变差的加权核范数最小化图像去噪方法,该方法结合了相对全变差在去除噪声、较好地保持边缘结构和纹理特征的优势,以此对加权核范数最小化方法进行了改进,并且得到了较好的效果。