在图像成像过程中,由于受光传感器的热衰退或传输过程等因素的影响,获得的图像会不可避免地引入噪声。噪声是影响图像质量和图像视觉效果最主要的原因之一,它严重干扰了图像的应用价值以及对图像所作的进一步高级处理,如图像复原、视觉追踪、图像配准、图像分割和图像分类等。因此图像降噪的研究无论是对提高图像质量还是满足进一步处理图像的需求都具有基础性的现实意义。本文采用得到广泛应用的自然场景统计(NSS,Natural Scene Statistics)方法,通过提取自然图像样本集的小波特征,得到特征样本集,并利用机器学习方法,建立准确的噪声分类模型和噪声水平预测模型,并将预测模型应用于各种固定参数设置的降噪算法中,为算法赋予参数自适应能力。首先,对于分类模型,受高斯噪声污染的自然图像和受脉冲噪声污染的自然图像的分类准确率能够满足高要求的分类需求,而混合噪声污染的图像分类准确率也比人工分类优越很多。其次,对于图像噪声水平预测模型,高斯噪声标准差和脉冲噪声比率的预测都有优秀的预测精度。最后,在分类正确的情况下,选择相应的预测模型作为噪声估计模型,为当前先进的降噪算法提供自适应参数调节机制,并选用当前先进的全参考图像质量评价算法SSIM和FSIM对降噪结果进行评估,实验结果表明算法的降噪性能及结构细节的保留能力都得到明显提升。其中,采用自适应参数的CBM3D、NAFSM算法,其降噪性能、结构保留能力及底层特性的保留能力都得到全面的提升。对于采用自适应参数的NCSR算法,受NCSR自身参数设置机制的影响,其在低比例噪声情况下获得了性能的全面提升。这样的预测机制,实际就是一种无参考图像评价机制,其优越处在于它的评价结果实质是噪声污染比例的估计值,并且它的估计误差非常小,可以应用到大量带有固定参数设置的图像降噪算法中,使其性能进一步提升。实验结果表明针对高斯噪声和脉冲噪声其分类模型和预测模型性能优越,成功为降噪算法带来明显的性能提升。