小波分析已经广泛应用于信号处理与分析中,并取得了较为突出的效果。但在高维情况下,小波分析并不能充分利用数据对象的几何特征。针对小波理论的这一局限,人们在小波理论的基础上提出了多尺度几何分析方法,超完备Contourlet是一种新的多方向多尺度的分析方法,它是基于平稳小波的非下采样Contourlet变换组合而成的,由于它的多尺度和多方向特性,能有效处理图像中的高维奇异性。图像去噪和图像融合是计算机视觉领域低层视觉中最为基础和重要的环节,本文基于超完备Contourlet变换在图像去噪和图像融合方面做了以下工作：超完备Contourlet变换有优于Contourlet和非下采样Contourlet(NSCT)的方向分辨能力,是具有平移不变性、多尺度和多方向并且完全重构的图像表示工具。通过分析我们发现超完备Contourlet变换系数间存在的很强的相关性,其表现为具有方向性,尺度间传承性和邻域聚集性等,而噪声则不具备这类特性。本文在此基础上提出了一种采用方向和尺度积并且结合邻域聚集性的超完备Contourlet系数去噪模型,理论分析和实验结果都表明该方法能够很好的区分信号和噪声,且抑制图像噪声效果较为明显,同时在此基础上更好的保留了图像细节信息。图像融合的目的是为了获得某个特定场景更清晰的图像,以便对图像进行后续处理,更好的进行目标识别。本文提出了一种基于超完备Contourlet变换的图像融合算法,算法以局部标准差和方向对比度作为特征并结合平均与选择的融合策略,并对融合结果进行一致性检测,仿真实验及结果表明该算法能够很好的保持轮廓和纹理信息,由于超完备Contourlet变换系数的冗余和平移不变等特性,融合结果也有效的抑制了吉布斯现象,且对比度较强,具有很好的视觉效果。