随着人类社会的发展,社会对多媒体信息处理的技术要求也越来越高,图像是人类获取外界信息的重要来源,数字图像处理技术目前已经成为领域内的研究热点。通常情况下,数字图像处理的过程中会受到不同噪声信号的干扰,进而降低图像的质量。这不仅使图像变得模糊不清,同时影响图像的后续处理,比如图像分割、图像压缩等。因此寻找快速有效的图像去噪算法是研究人员所面临的一大挑战。本文引入了自适应的分数阶函数以及阈值自适应的扩散函数,采用理论分析和仿真实验相结合的方法,对自适应分数阶的图像去噪算法进行改进。本文的主要工作和结论如下:1.针对高斯噪声,提出了一种基于改进PM模型的自适应分数阶图像去噪算法。主要对PM模型进行三方面的改进:(1)由于在PM模型中,如果边缘扩散函数选取不当,会对去噪图像产生严重的影响,因此在本文中对比分析了五种基于偏微分方程的扩散函数,然后通过比较仿真数据和去噪图像,最后得到效果最佳的扩散函数;(2)针对传统的扩散函数中阈值K不能实现自适应性,且需要大量的实验来得到的问题,提出一种新的自适应的阈值K函数的表达式;(3)提出基于局部方差的自适应分数阶函数,另外为了降低计算的复杂度,结合离散傅里叶变换在频域内进行数值计算。实验结果表明提出的模型不仅能有效的去除噪声,同时能够较好的保留图像的纹理及边缘信息,重要的是在很大程度上缩短了运行时间。2.针对椒盐噪声,提出一种基于指数型的自适应分数阶微积分的图像去噪模型。首先,考虑到了指数型函数的非线性特性,结合局部信息熵和梯度特征共同决定图像局部细节特征,来构造指数型的自适应分数阶分段函数;其次,结合基于小概率策略的Otsu图像分割方法将图像分割为噪声点区域,细节纹理区域,以及平滑区域,将噪声点区域的灰度值由邻域均值代替,然后求出噪声点的最小梯度均值,即指数型自适应分数阶函数中的阈值T。相比于其他算法,本文提出的算既能去除噪声,又能保留重要的结构细节信息,且具有较好的去噪效果。