近年来，随着信息化的高速发展，图像处理以及应用日益广泛，然而由此产生的问题也随之而来，比如图像的去噪和对图像质量的评价都是研究者们研究的重要课题。图像在采集、压缩、转换和传输的过程中，难免会受到自身设备以及外部环境干扰的影响，因此大部分的现实中的图像都是含噪的，对含噪图像进行去噪和合适的质量评价是非常必要的。良好的去噪方法是在不影响图像重要细节的前提下，尽可能多的除去噪声，而好的质量评价算法则是要求评价出的结果与人类的主观感受相一致。不管是图像去噪还是图像的质量评价，我们都可以理解成一个分类的过程。图像去噪就是将原始图像和噪声分开；图像评价就是将待评价图像正确的归类，探究它属于哪一类的质量等级。由于支持向量机(Support Vector Machine,SVM)作为一种典型的分类器，它有着适合处理小样本问题、高维数及泛化性能强等多方面的优势，在分类问题中得以广泛应用。鉴于此，本文将支持向量机用于图像去噪和图像质量评价的方法之中。本文提出一种基于小波系数和支持向量机的图像去噪方法，根据小波系数的性质，本文借用邻域小波系数的平均值来选取特征向量来进行训练，然后用训练得到的支持向量机分类器模型将含噪图像中的像素分为噪声或非噪声点从而最终达到去噪的目的,实验结果表明该方法具有良好的去噪效果,峰值信噪比比一般的额方法要高。本文针对降质图像质量评价，提出了一种基于支持向量机的质量评价算法，本文选取了亮度比较值、对比度比较值、结构比较值、边缘锐度和噪声估计这五个特征信息作为支持向量机的输入，差异主观评价值DMOS作为输出。通过实验仿真结果可以看出，该方法是通过学习分类这一过程来评估结果，能够比较真实的反映出人类的主观观察。