由于合成孔径雷达(Synthetic Aperture Radar，SAR)能够在任何天气和光照条件下获取地表物体和地下隐藏物体的信息数据，因此SAR图像在海洋监测、资源和地质探测、农作物生长观测和评估以及军事等领域有着广泛的应用。然而，成像雷达采用干涉原理进行成像，会使所获得的SAR图像产生固有的相干斑噪声(Speckle)。这不仅严重影响了SAR图像的质量、隐藏了图像的精细结构，而且还给对SAR图像后续的分割、目标识别、目标分类等处理带来困难。因此，抑制SAR图像相干斑噪声具有重要的理论和实际意义。传统的二维小波基函数缺乏多方向性和各向异性，这使得它不能对图像实现有效的稀疏表达。图像中各向异性的一维特征（如边缘和轮廓）在人的视觉感知中起着重要的作用，然而，当使用二维小波对图像进行分解时，将会在不连续的边缘点处产生大量的小波系数，造成图像的非稀疏表达。Directionlet变换是一种比小波变换更稀疏的多尺度几何分析工具，且具有多尺度、多方向和各向异性等特性，因此能够有效的描述图像中各向异性的一维特征，实现图像的稀疏表达。由于不同的地表特征会导致具有不同统计特性的相干斑噪声，因此，在实际中很难使用一种固定的统计模型对其进行建模。　　本文在研究directionlet变换的基础上，首先讨论了SAR图像directionlet变换系数的统计分布特性，并使用Cauchy分布、Gaussian混合分布和Laplacian混合分布对其建模，然后在Bayesian框架下推导最大后验概率估计器，最后实现SAR图像相干斑噪声的去除。为了得到与混合分布相对应的最大后验概率估计器，我们使用期望最大化算法估计混合分布中的参数。作为图像的一种稀疏表达方式，directionlets虽然能够去除像素间大部分的相关性，但是directionlet变换系数之间仍然存在较强的相关性，这些相关性对图像处理算法的性能有很大的影响。我们在研究directionlet系数间的相关性的基础上设计了一个线性预测器，将相关性以互信息的形式引入到最大后验概率估计器中，提高了算法去除相干斑噪声的性能。实验结果表明，本文提出的基于directionlet变换的SAR图像相干斑去除算法在去除相干斑噪声的同时能够保持图像的边缘特征。针对SAR图像数据量大、消除相干斑算法计算复杂度高的特点，本文在研究图形处理器(Graphics Processing Unit，GPU)硬件结构和计算统一设备架构的基础上，实现了基于阈值的SAR图像相干斑噪声去除算法的并行算法设计，将相干斑消除算法中的并行度高、计算量大的部分放到GPU上进行计算，将逻辑性强的串行运算部分放在中央处理器(Central Processing Unit，CPU)上进行处理。实验结果表明，基于GPU的算法执行效率明显高于基于CPU的算法执行效率，如果不考虑数据的复制操作，并行算法的执行效率将进一步提高。