视觉传感器是现代自动化设备中非接触检测的核心器件之一,其品质优良的成像是高精度检测的保障。然而视觉传感器在实际工况中往往会受到各种干扰而只能获取含有噪声的图像。针对图像去噪领域的研究现状,本文在传统稀疏模型的基础上提出了两种改进的算法,并搭建了应用场景测试它们的实用价值;主要研究内容包括:（1）针对残差特征提取的问题,提出了一种结合多级去噪结构和多种字典优化技术的多级稀疏去噪算法。通过对追踪算法的改造,在后级处理中增加了残差特征的精细提取与多级信息融合,并在这一过程中对字典噪声进行合理监测。实验表明,该算法在图像去噪中有着优异的表现,并与经典算法相比信噪比指标提升了约0.2dB。（2）针对模型类算法参数学习的问题,提出了基于神经网络技术改进的深度稀疏去噪算法。通过在字典训练及稀疏化阶段利用多层感知机技术,对稀疏模型进行参数优化。实验表明,基于神经网络改进的稀疏去噪算法在较低噪声水平时(＜15,效果与传统算法相仿;但当噪声水平较高时,其信噪比指标较传统算法提升了约0.6dB。（3）为验证两种算法的实际应用价值,对两种算法搭建了视觉检测平台,利用图像拼接系统的准确率指标对其进行测试。该视觉检测平台中对基于特征点匹配的多相机图像拼接与融合系统进行了低光照(噪声模拟测试,同时对照了应用传统去噪算法下的系统成功率。实验结果表明,在图像预处理应用中的不同硬件生态位上,本文的两种算法均具有较好的性能,主要表现在:（1）多级稀疏去噪算法在硬件受限时对比不进行处理的系统,将低光照环境下多相机图像特征点匹配的成功率提高了至少2倍;（2）深度稀疏去噪算法在CUDA框架下也提高了特征点匹配的成功率,同时该算法的参数量相较于传统深度学习算法更少,使该算法的部署更加灵活与容易。本文对基于稀疏模型的去噪算法进行了研究,分别提出了两种不同的改进算法,实现了残差特征的精细提取与模型参数化学习,并利用实际应用场景测试了其去噪性能。实验结果表明,本文的研究内容具有较好的应用价值。