图像在医学诊断、军事国防、日常生活等领域有着广泛的应用,是人类社会发展的重要推手。但是,由于外界环境、设备缺陷等因素,图像在获取、存储、传输的过程中容易受到噪声污染。这不仅严重影响了视觉效果,还对图像分割、目标识别、特征提取等后处理过程造成干扰,因此图像去噪是图像处理中不可或缺的预处理步骤。图像是复杂的,包含了边界、纹理、细节等几何结构,而去噪过程经常会造成边界模糊、噪声残留、细节丢失等问题。因此,从被噪声污染的图像中恢复出高质量图像不仅具有重要的理论价值和应用价值,还是一项十分具有挑战性的工作。在众多去噪方法中,各向异性扩散模型由于其深厚的理论基础和灵活性,受到诸多学者的关注。各向异性扩散模型的扩散系数往往通过各种能够捕捉图像几何结构（如边缘、纹理）的指示器（indicator）来定义。梯度模是最常用的边缘指示器（edge indicator）,方差是常见的纹理指示器（texture indicator）,差分曲率（difference curvature）是具有抗噪性强和对斜坡不敏感的边缘指示器。该学位论文利用差分曲率、梯度模和方差提出了一个新的保边保细节图像去噪的各向异性扩散模型。首先,结合差分曲率和梯度模提出了一个新的边缘指示器,并通过理论分析和实验验证该边缘指示器能更好地区分边缘、平坦区域和噪声;其次,提出了一个各向异性扩散模型,该模型的扩散系数由新的边缘指示器和修正后的方差共同决定;最后,为了高效地数值求解模型,设计了一个新的并行-串行算法。实验结果表明,与七个相关模型进行对比,无论是主观评价还是客观评价,所提模型在保留弱边缘、保留纹理、抑制阶梯效应和移除噪声点等方面有更好的综合表现。