图像去噪作为计算机视觉领域的基础课题一直是学术研究中的热点。图像噪声会严重影响到如图像分割、图像编码、特征提取以及目标检测等图像后处理的精度。当图像中既包含较丰富的纹理信息又包含较丰富的几何结构信息时,现有的图像去噪算法难以在去除图像噪声的同时保持图像细节信息。针对这个问题,本文将图像的结构先验和稀疏先验引入到图像复原处理中,分别提出了基于全变分和稀疏表示的两种改进算法。针对现有的红外图像去噪算法在去除非均匀性噪声时残留噪声过多的问题,本文提出了一种基于稀疏表示的非均匀性噪声去除方法。该方法主要以非均匀性噪声的稀疏先验为理论基础。通过K-SVD算法训练出学习字典,再将学习字典以按照条带噪声特性排序。使用重排后的学习字典对红外图像进行稀疏表示,并且在图像的稀疏系数上识别噪声加以去除。最后,针对该方法噪声残留较大以及造成图像模糊的问题,本文对图像块的均值图同样进行非均匀性噪声去除,提升了该方法去除非均匀性噪声的能力。针对现有的高斯噪声去除算法在去除噪声时对图像边缘纹理等细节保持能力不足的问题,本文提出了一种基于非局部导控核的全变分图像去噪方法。该方法利用了图像自相似性先验以及具有优异纹理特征保持能力的导控核。通过将非局部权值和导控核相结合,提出了一种非局部导控核。这种非局部导控核在描述图像结构上更为精确,抗噪声干扰能力更强。特别是在纹理区域,该权值与纹理特征高度符合。使用非局部导控核构建全变分正则项权重,有效提升了全变分方法移除噪声、保持图像细节的能力。仿真图像实验与真实图像实验的结果表明,本文所提出的基于稀疏表示的非均匀性噪声去除方法和基于非局部导控核的全变分图像去噪方法具有良好的移除噪声能力,有效提升了图像的峰值信噪比与结构相似度,在视觉方面保持了图像边缘与纹理上的细节信息,产生了锐利的视觉效果。本文研究成果对诸如图像去模糊、超分辨率重建等复原应用也有重要的指导作用。