目前传统的图像传感器已经得到了非常广泛的应用,极大的方便了人们的日常生活。但是,这种传感器往往以固定帧率记录拍摄的场景,具有响应时间长、时延高、信息冗余量大等缺点。动态视觉传感器(Dynamic Vision Sensor,DVS)是一种仿生异步驱动的新型传感器,传感器的每一个像素均独立监测外界光照强度的变化,并在光照强度变化幅度(增强或减弱)超过设定的阈值时产生事件。由于DVS响应时间短,它可以监测到传统方法中昂贵的高速相机(每秒数万帧率)才能捕捉的高速运动信息,同时,其数据量减少了上千倍,这大大减少了后续信号处理的成本。该技术在航空航天、汽车自动驾驶、消费电子、工业视觉和安全等领域具有广泛的应用前景。DVS的高灵敏性使得其对捕捉快速运动的物体具有天然的优势,但这也带来了对噪声的低鲁棒性。由于传感器自身的元器件、电路设计、外界干扰等原因,DVS输出的地址事件流数据中往往包含有大量的噪声事件。不同于传统二维帧图像的数据格式,DVS输出的数据形式为地址事件表示(Address Event Representation,AER),这就急需要一种全新的地址事件流数据去噪方法。本文基于DVS的成像原理以及事件流数据特性,提出了两种动态视觉传感器的地址事件流数据去噪方法。第一种为基于时空域滤波的地址事件流数据去噪方法。该方法充分利用了事件特有的时间信息,同时结合噪声事件的随机性、孤立性等特点构建三维时空域滤波器进行去噪处理。该去噪方法直接从地址事件流数据中删除噪声事件,保证了地址事件流数据的信息完整性。该算法原理简单、速度较快,可以有效的去除噪声事件,但在处理噪声较多的复杂场景时去噪效果不够理想。第二种为基于概率无向图模型的地址事件流数据去噪方法。该方法通过物体运动的规律性延伸至有效事件之间的时空关联性,并结合噪声事件具有随机性等先验知识构建概率无向图模型,将去噪问题转化为概率最大化问题。接着将概率无向图模型分解为最大团上能量函数的乘积形式,从而将概率最大化问题转化为能量最小化问题。最后利用迭代条件模式(Iterated Conditional Modes,ICM)优化算法对模型进行优化处理,从而实现了对地址事件流数据的去噪处理。同时,本文还设计了空间域与时间域的自适应动态权重参数用以完善模型。该去噪方法具有很好的鲁棒性,可以很好的处理多种复杂场景下地址事件流数据去噪问题。