随着计算机科学的快速发展，人们对数字图像处理的需求也日趋扩大，常见的图像去噪算法包括各种自适应中值滤波算法、小波阈值算法、基于偏微分方程方法、总变分最小化算法、非局部均值滤波算法，等等。图像去噪是图像处理的预处理过程，是图像处理的一个重要分支。偏微分方程方法是图像去噪的一个热门研究领域，受到国内外学者的广泛关注。在众多方法中，各向异性扩散模型已成为一个广受关注的偏微分方程图像去噪方法。熵在概率论、信息论、物理、图像等领域都有重要应用，并且取得很多重要的研究成果。其中， Tsallis熵在图像处理多个领域得到了广泛的应用，如图像阈值分割，图像匹配等。Tsallis熵是香农熵的推广，并具有如下性质：1）孤立的噪声对局部Tsallis熵值影响很小。2）图像细节处的局部Tsallis熵值较高。本学位论文主要做了以下的研究：各向异性扩散模型中，扩散系数决定模型扩散的程度，它是关于图像梯度的函数，在梯度大的地方，扩散系数小，在梯度较小的地方，扩散系数大。因此，该模型能够在平滑图像的时候，保留图像的边缘。但是，该模型也存在一些不足，它只利用了图像梯度信息，对于图像纹理，弱细节不能很好地保持。针对这个问题，该文结合图像Tsallis熵值在图像的平滑区域和边缘处熵值有差异的性质，提出结合Tsallis熵的各向异性扩散模型，新模型的扩散系数不仅依赖于图像梯度，而且利用了图像局部Tsallis熵，实验表明：新模型对于去噪后的图片能较好的保留图像的细节和弱边缘，并且具有很好的去噪性能。