太赫兹成像是以太赫兹辐射作为信号源的成像技术,有低光子能量和高透明度的优点,因其非电离的特点被广泛应用于安检、生物诊断、电子元器件认证等领域。太赫兹辐射的波长较长,因此成像分辨率较低,图像质量也较差,需要进一步处理才能应用与实际场景中。本项研究探索了有源主动反射式成像的太赫兹图像的噪声建模和去噪算法。经过对太赫兹噪声的统计分析,我们发现太赫兹噪声符合一种广义的高斯分布,即-稳定分布,它能够描述非对称分布的信号。太赫兹图像中的噪声在分布上是偏斜的:在分布上看,表现为概率密度函数非对称、有重尾;在图像信号上看,表现为噪声同时含有幅度较小的底噪和幅度较大的冲激性噪声。针对这一分析,我们引入了最小lp-norm准则代替最小均方误差准则,对太赫兹图像进行去噪。最小均方误差对微小扰动非常敏感,而稳定分布的有限方差使得最小lp-norm准则可以代替最小均方误差准则。研究中使用了迭代加权最小二乘（IRLS）算法以及正则化最小平均p范数（NLMP）以及它们的非线性版本对图像去噪。实验结果证明基于最小lp-norm的算法能够更好地去除偏斜噪声。此外,对于已知噪声分布的去噪任务,我们还提出了一种基于深度学习的算法。我们在最小均方误差的损失函数基础上,引入了KL散度项,用于衡量已知噪声的分布与学习到噪声的分布的相似性。对于没有原始-退化图像对的实际去噪任务,我们设计了基于迁移学习的训练方法。实验结果表明,我们提出的已知噪声统计分布的去噪算法能够更好地学习到噪声的统计分布特征。本文对太赫兹图像的噪声模式、去噪算法进行了系统性地研究,有效地抑制了太赫兹图像的噪声水平。