图像信号在产生、传输、记录的过程中容易受到各种信号的干扰，受到噪声污染的图像提高了图像后期处理的难度，因而图像去噪是图像处理领域的重要研究课题。应用马尔可夫随机场模型处理图像噪声已经有很长的历史，但由于使用的马尔可夫随机场模型的低阶性，图像去噪的效果仍不能取得与小波去噪相似的结果。FoE(Fields of Experts)模型是一种新出现的应用高阶邻域系统的马尔可夫随机场模型，该模型通过使用高阶邻域系统有效地克服了以往马尔可夫随机场模型由于其低阶性所带来的不足。　　 本文在阅读相关文献的基础上，深入研究了马尔可夫随机场模型及马尔可夫链蒙特卡罗法方法的基本理论，对FoE模型的理论进行了阐述。着重研究了FoE模型在不同训练条件下的图像去噪效果，研究工作主要包括以下内容：　　 (1)比较了不同训练条件下训练得到的FoE模型的图像去噪效果。实验结果表明：1、白化训练集有助于FoE模型更好地掌握训练图像集的分布情况；2、在对数域更新权有助于FoE模型在参数更新时的稳定并有助于增强学习效果。　　 (2)比较了应用两种专家(student-t专家和charbonnier专家)的FoE模型的图像去噪效果。　　 (3)针对由于FoE模型的高阶性而导致的学习时间较长的问题提出了一种递增方式的批训练方法。数值仿真实验的结果表明本方法在使用约一半的训练时间的情况下取得了与原均一批训练方式相似的训练效果。