图像是人与自然界交互的主要信息,而图像在获取过程中不可避免地会受到噪声污染。图像去噪不仅有利于改善视觉效果,还有助于提升后续高层视觉任务的处理表现,例如图像分类、目标检测和图像分割等。同时,图像去噪作为图像处理中一个典型且基本的反问题,其理论方法也常常适用并被迁移到其它图像恢复应用当中,包括图像去模糊、图像超分辨率和压缩感知等。图像去噪是一个具有广泛实用价值和重要理论意义的科学研究课题。图像去噪的核心是利用图像的先验知识,其关键是挖掘图像的内在结构相关性。本文重点基于空间和光谱变换对图像的内在结构相关性进行有效地表示和处理,展开对图像去噪的深入分析和研究。本文面向二维灰度图像到三维多光谱和高光谱图像的去噪应用,针对当前图像去噪中存在的一些问题,提出一系列有效的具体去噪方法以及通用的再增强去噪方案。本文的主要研究工作如下:（1）基于加权低秩张量近似的图像去噪方法。针对低秩模型在自然图像去噪中局部图像块的空间结构信息常常被破坏的问题,本文设计了一种高效的张量秩一分解算法,将相似图像块聚合而成的三阶张量分解为有限个秩一张量之和,同时根据图像特征自适应确定各个秩一张量权重,构建了一种二维矩阵到高维张量的本质低秩张量模型,避免了图像块向量化操作导致的空间结构信息被破坏的问题,可以有效地联合利用图像局部和非局部自相似性,从而提高图像去噪性能。（2）基于多波段和单波段融合的图像去噪方案。针对多波段和单波段图像去噪两个重要研究方向的融合增强问题,本文提出了一种将多波段和单波段图像去噪进行融合的通用范式,通过分析多波段和单波段图像去噪各自的特点,设计一个单波段图像去噪优势的变换域,应用单波段图像去噪方法并将其去噪结果作为辅助信息,与多波段图像去噪方法的去噪结果进行融合,实现多波段图像去噪方法性能的进一步提升。（3）基于分解最小条件数变换的多光谱图像去噪方案。针对大多数多光谱图像去噪方法对不同波段间的全局光谱相关性利用不充分问题,本文提出了一种新的分解最小条件数变换,将多光谱图像分解为亮度分量和纹理分量两部分,同时约束整个变换是良态的,分别对亮度分量和纹理分量采用单波段和多光谱图像去噪方法进行处理,在现有多光谱图像去噪方法基础上进一步利用全局光谱相关性,提升去噪性能。（4）基于鲁棒自适应子空间学习的高光谱图像去噪方法。针对子空间模型在高光谱图像去噪中子空间基学习和子空间大小估计不准确问题,本文提出了一种鲁棒自适应的子空间学习算法,通过设计半顺序截断高阶奇异值分解算法联合实现初步估计和鲁棒子空间基的学习,并结合子空间模型发展了一种新的信息理论准则用以自适应且准确地确定子空间大小,实现鲁棒自适应子空间学习,进而应用到高光谱图像,在得到光谱子空间上基于深度学习进行去噪,取得非常快速有效的高光谱图像去噪性能。