带加法噪声密度估计模型在医学统计、体育统计、天文学及计量经济学等领域发挥极其重要的作用.最近二十多年来，小波作为一种有效工具受到越来越多的关注并不断被应用到密度估计研究中.受Donoho，Walter，Pensky，Fan和Lounici等人工作的启发，本文利用小波方法在Besov和Supersmooth空间中针对不同噪声分别构造密度估计器，并研究其在Lp(1≤p≤∞)风险意义下的收敛阶与最优性.　　首先，在Besov空间中研究密度函数线性小波估计的Lp风险.结果表明:针对严重病态噪声，线性小波估计器是自适应的;由于带适度病态噪声的估计器非自适应，我们构造了非线性小波估计器并给出其收敛阶.　　其次给出上述小波估计的最优性分析.具体地说，通过讨论Besov空间Bsr,q（R）中密度函数与其任一估计器的Lp(1≤p≤∞)风险下界，我们证明了下述结论:针对适度病态噪声，当r≥p时线性小波估计器在所有估计器中最优;非线性小波估计器在r＜p时达到最优或次优（即相差lnn因子意义下最优）;虽然当r＜p时线性小波估计器不能在所有估计器中达到最优，但在所有线性估计器中是最优的.针对严重病态噪声，有限求和线性小波估计器达到最优收敛阶.　　鉴于Besov空间中带严重病态噪声密度函数的最优收敛阶明显慢于适度病态噪声，我们研究了Supersmooth空间中密度函数的Lp风险估计.具体地，利用Shannon小波构造密度估计器，并研究其在Lp(1＜p＜∞)风险意义下的收敛阶.由于Shannon小波不属于L(R)，我们还构造了Meyer小波估计器并讨论其收敛阶及实用性.　　最后，给出Supersmooth空间中密度估计Lp风险的下界.结果表明:针对两类病态噪声，Shannon小波估计器在p≥2时最优（或次优），1＜p＜2时次优.在次优情形，我们还确定了Lp风险上下界的比值.在p=1时，针对适度病态噪声，Meyer小波估计是次优的.一个未解决的问题是当p=1或p=∞时如何针对严重病态噪声在Supersmooth空间中给出密度函数的最优（次优）估计.