| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章：前言 | 第10-14页 |
| ·图像去噪的发展历史及其现状 | 第10页 |
| ·图像压缩的发展历史及其现状 | 第10-12页 |
| ·课题研究的实际应用价值 | 第12-13页 |
| ·课题研究的理论意义 | 第13-14页 |
| 第二章：小波神经网络基础. | 第14-24页 |
| ·人工神经网络 | 第14-16页 |
| ·生物神经元 | 第14页 |
| ·人工神经元 | 第14-15页 |
| ·神经元模型的输入与输出 | 第15页 |
| ·激活函数 | 第15-16页 |
| ·连续小波变换 | 第16-18页 |
| ·连续小波变换的定义 | 第16-17页 |
| ·连续小波的重构及性质 | 第17-18页 |
| ·离散小波变换 | 第18-19页 |
| ·小波神经网络的构造 | 第19-24页 |
| ·连续小波变换构造小波神经网络 | 第20页 |
| ·正交小波变换构造小波神经网络 | 第20-21页 |
| ·小波框架构造小波神经网络 | 第21-22页 |
| ·小波基拟合构造小波神经网络 | 第22-24页 |
| 第三章：小波神经网络的算法实现 | 第24-34页 |
| ·小波框架导出小波神经网络的学习算法 | 第24-25页 |
| ·基于BP 算法的小波神经网络 | 第25-34页 |
| ·基于BP 算法的小波神经网络学习算法 | 第25-27页 |
| ·小波神经网络的参数初始化 | 第27-29页 |
| ·学习速率的调整 | 第29-34页 |
| 第四章：小波神经网络的逼近理论 | 第34-45页 |
| ·小波神经网络的最佳逼近 | 第34-38页 |
| ·小波神经网络的全局逼近与L~2 逼近 | 第38-45页 |
| 第五章：小波神经网络在图像去噪方面的应用 | 第45-53页 |
| ·图像平滑 | 第45-48页 |
| ·图像中的噪声 | 第45-46页 |
| ·图像平滑的一般考虑 | 第46-47页 |
| ·噪声检测弱分类器的设计 | 第47-48页 |
| ·本文图像去噪方法 | 第48-50页 |
| ·噪声检测强分类器的设计 | 第48-49页 |
| ·本文图像去噪步骤 | 第49-50页 |
| ·实验结果与讨论 | 第50-53页 |
| 第六章：小波神经网络在图像压缩方面的应用 | 第53-59页 |
| ·K - L变换用于图像数据压缩 | 第53-54页 |
| ·主分量分析 | 第53-54页 |
| ·图像二维 K - L变换 | 第54页 |
| ·结合小波神经网络与 K - L变换的图像压缩方法 | 第54-56页 |
| ·计算机仿真结果及讨论 | 第56-59页 |
| 结论与展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 攻读学位期间取得学术成果 | 第62-63页 |
| 致谢 | 第63页 |