近年来，随着小波理论的不断完善，小波分析己经渗透到各学科领域。在小波变换域中去除图像中的噪声是近年来的研究热点之一，许多小波图像去噪算法已经被陆续提出。本文针对医学超声图像中噪声的特点，提出了一种基于非参数自适应估计理论的超声图像去噪算法。 由于超声图像的噪声情况复杂，这就对其去噪方法提出了更高的要求。超声图像去噪的目的不仅要平滑噪声，还要尽可能地保留原始图像的细节特征。细节特征是医生诊断器官是否有病变的重要依据。为了在去除噪声的同时能够更好地保护边缘及有用的细节信息，本文在以下两个方面作了深入的研究：一，在平稳小波变换域中对超声图像进行去噪研究；二，基于非参数自适应估计理论来确定小波的阈值。 平稳小波变换是在正交小波变换基础上提出的一种非正交小波变换方法，与正交小波变换的区别在于每次分解过程中不进行下采样，因此每一层的大小仍和原图像一样。正交小波变换在每次分解时对信号进行二抽取，不具有小波域的时(空)移不变性，在经过阈值处理，重建图像时易出现伪峰值点等“不平稳现象”，不利于图像边缘的精确重构。平稳小波变换克服了正交小波变换的这一弱点，通过在所有尺度下保留所有系数、牺牲正交性的方法使其具有了平稳性，并且使图像信号消噪后保持良好的边缘特征。 在利用Birgé-Massart提出的非参数自适应密度估计理论来确定小波的阈值时，未知的概率密度函数不必属于任何一个给定的模型，其中的最佳模型能够大致达到模型中估计冒险和模型与未知概率密度的距离之间的最佳平衡。当模型具有好的估计特性时，选择合适的惩罚函数，可以得到自适应的估计量，这种自适应估计量能够在概率密度平滑性未知的情况下，得到与平滑度已知时同样程度的估计。本文使用的自适应估计量为惩罚投影估计量。本文的阈值选取策略并不是选取大于某个确定阈值的系数，而是首先确定要保留的系数个数，然后取那些值最大的系数。当该阈值方法用于小波域时，即使是仅仅保留每层最大的几个系数，也可以得到