基于小波的统计信号处理技术如去噪和检测通常典型的将小波系数看作是不相关的和联合高斯过程。这些模型对很多实际信号并不实用。隐马尔可夫模型作为一种统计建模的有限状态机，已经被成功的用于语音识别中，但是，将HMMs直接地应用到图像建模中是很难的，因为在现实世界中图像有着太多的状态(象素的灰度级)。本文介绍了一种统计信号处理的框架模型，这种模型是基于小波域的隐马尔可夫模型，它可以简洁地对实际生活中遇到的信号的统计相关性和非高斯统计进行建模。因为小波变换可以通过减少小波系数的状态数量来去除图像数据的相关性，因此小波域的隐马尔可夫模型对于统计图像建模是可以掌控的和有用的。有效的最大期望算法可以将HMMs同观察信号数据结合起来。这种新的框架模型有着广泛的应用，包括信号估计、检测、分类、预测甚至综合。 本文中，将这种模型用于图像处理的应用中，包括图像去噪和纹理分析。对于图像去噪，我们介绍了一种图像去噪的新的方法，并将EM算法同传统的去噪算法结合起来，取得了较好的图像去噪效果。在图像的纹理分析方面，本文介绍了一种新的小波域的隐马尔可夫模型：HMT—3S，这种模型对于统计纹理特征提取更为精确。同时也介绍了基于最大似然的纹理分类。这些表明HMT—3S可以获取更为优秀的效果。