在数字图像处理的过程中，为了获得较高质量的图像，图像的滤波去噪是比较基本和重要的研究之一。图像的边缘是图像的基本特征，而图像边缘检测是图像处理和分析最基础的内容之一。因此，寻求较好的图像去噪和图像边缘检测方法，一直是人们研究的热点。　　灰色系统理论主要研究的是“小样本”、“贫信息”不确定性问题，而将灰色系统理论和图像处理相结合，是从一个崭新的角度去认识和理解图像的过程。近些年来，灰色系统理论在图像处理中的应用处在不断发展的阶段，然而对于图像去噪和图像边缘检测方面而言，取得了一些实质性的进展。本文的目的是为了更进一步说明灰色系统理论在图像处理方面应用的有效性。　　本文的主要研究工作如下:　　(1)提出了基于无偏灰色Verhulst模型和遗传算法相结合的图像去噪新算法。首先对含噪图像的像素点进行分类，对于噪声点以它所对应的图像的像素为中心，用它周围的4个点的灰度值建立无偏灰色Verhulst模型，并用一步预测值取代噪声点原来的灰度值，实现预测滤波，对非噪点和边缘点不作处理。由于图像的本身的特性，图像所对应的阈值不同，所以本文用遗传算法来确定图像的最优阈值使得去噪后图像的均方误差最小。最后，对不同噪声水平下的图像进行仿真实验，并用峰值信噪比和均方误差对去噪效果进行客观评价，实验表明:该算法对含有椒盐噪声的图像具有较好的处理效果。　　(2)提出了基于离散灰色预测模型(DiscreteGreyModel)和阈值相结合的图像边缘检测算法。首先根据灰色预测模型的建模条件和图像本身的特性，对图像数据进行预处理。依次选取5×5的预测模板，分别对模板中水平和竖直方向的6个像素点建立DGM(1，1)模型，并选择预测值中较大的像素值组成预测图像，然后用预测图像减去原始图像，通过滤波消除图像噪声，最后运用阈值对图像边缘进行提取。通过对不同的算法和不同类型的测试图像利用本文算法进行比较表明，本文算法检测出来的图像边缘比较清晰、伪边缘较少，并具有一定的抗噪性。