遥感图像在获取和传输过程中会受到内部和外部环境等因素的干扰，使图像含有噪声而引起图像质量的下降，给遥感图像的识别和分析带来一定困难，因此遥感图像在使用前通常都需要先进行降噪处理。图像去噪一直以来都是计算机图像处理和计算机视觉中的一个研究热点。非局部均值算法是一种当前新兴而又非常有效的自然图像去噪方法，它利用大多数自然图像内存在很多周期性样式和大量冗余信息的特点，在图像中搜索灰度值相似的块进行匹配来估计噪声点的值。　　然而，非局部均值算法需要逐点匹配计算权值，而图像匹配块通常是一个高维向量，使得计算复杂度很高。因此，如何降低计算复杂度是非局部均值算法所要克服的问题。同时非局部均值算法对遥感图像的去噪效果和用于匹配的图像块的大小有关。如果用于匹配的图像块较大，非局部均值算法可以很好的去除平滑区域的噪声，但图像的细节也被平滑掉；而小的图像匹配块则可以保留较多的图像细节。因此，如何结合这两个特征对遥感图像去噪成为我们所关注的问题。　　在非局部均值算法的基础上，我们提出了基于高斯主成分分析的非局部均值算法和多尺度的非局部均值遥感图像去噪方法。在基于高斯主成分分析的非局部均值算法中，我们引入了高斯预滤波来消除图像块匹配过程中噪声的影响，然后利用主成分分析将图像匹配块投影到低维的空间上，并在低维空间内完成权值的计算。实验结果表明此算法相比较非局部均值算法，不仅降低了计算复杂度，同时提高了去噪准确性。在基于非局部均值算法的多尺度遥感图像去噪方法中，我们引入Quadtree模型将图像块构建成3个尺度。对于每一个像素点，在各个尺度上采用非局部均值算法，并对恢复的多个尺度信息按照这个像素点的所处位置来进行融合得到此点去噪后的值。通过基于Riesz变换的FeatureSimilaritymetric(RFSIM)作为结构相似性指标，实验结果表明本文提出的方法可以保留较多的图像细节。此外，我们还采用了主成分分析方法对算法进行加速。主成分分析将非局部均值算法中用于权值匹配的图像块向量投影到了一个低维的空间上，并在此低维空间内计算权值，从而实现加速。与单尺度的非局部均值算法以及主邻域字典的对比实验结果表明本文算法可以更有效的去除遥感图像的噪声，获得较高的PSNR值，同时可以保留较多的图像细节。