在图像处理领域中，图像去噪是所有其他后续处理的基础任务，无论任何基于图像的研究以及应用，都需要图像作为输入源来构造整个框架。如果所用图像不太理想，会使后续的处理出现误差，影响最终的结果。具体到单个应用场景下，高效且优异的去噪结果将会使整个任务可以更好地完成，取得良好的效果。近些年，由于互联网的广阔推进，同时作为互联网前沿的人工智能取得了重大突破，所以在图像处理细分方向如目标检测、识别等研究以及具体产品应用都会对源数字图像的要求变高。并且由于图像数据量的增多，一些经典的去噪方法已经不适用于当前的图像去噪任务。因此就需要我们不断地进行研究来找到更好的去噪算法以适应当前的图像处理需求。长期以来，广大学者在这一领域不断深耕，希望可以寻求新的方向，用以提高最终的图像去噪结果。
　　本文提出了两种图像去噪算法分别针对灰度图像和彩色图像进行去噪：第一种是基于混合小波滤波器与局部高斯混合尺度的去噪算法，它针对灰度图像进行去噪。首先运用变换域将图像分解为不同子带，用高斯模型对子带图像构建数学建模，运用数学模型来尽可能地还原原始图像信号，之后转换到图像域得到去噪图像。其中，变换域为小波滤波器与钻石形梅花滤波器联合构造的混合小波滤波器组，通过此滤波器组对噪声图像进行分解，可以得到包含各尺度和方向的子带图像集。再用局部高斯混合尺度模型构建具体的参数，除去低频子带，对每一个高频子带进行建模再去噪，最后通过反变换得到最终去噪结果。通过实验表明，此算法优于许多传统图像去噪算法。第二种是基于四元数小波变换与高斯混合尺度彩色图像去噪算法。它针对彩色图像进行去噪。探讨了现有去噪技术在彩色图像去噪领域的缺陷，引入四元数小波，它可以对彩色图像进行更好的表示，对不同通道信息进行统一处理。通过四元数小波对彩色图像进行分解，得到不同幅值和相位信息，结合高斯混合尺度模型，对子带图像进行建模去除噪声。实验表明，本算法相对于其他算法具有更好的去噪效果。