Vấn đề khử nhiễu tớn hiệu luụn là vấn đề được cỏc nhà nghiờn cứu quan tõm trờn cả phương diện thực tiễn cũng như lý thuyết. Vấn đề làm thế nào khụi phục tớn hiệu nguyờn bản từ dữ liệu bị nhiễu với mong muốn khụi phục tớn hiệu càng giống với tớn hiệu nguyờn gốc đến mức cú thể, đồng thời giữ lại những đặc điểm quan trọng của tớn hiệu. Đó cú nhiều thuật toỏn khỏc nhau được cụng bố và mỗi thuật toỏn này đều cú những ưu điểm và nhược điểm riờng. Những phưong phỏp khử nhiễu truyền thống sử dụng phương phỏp tuyến tớnh như là lọc Wiener (Wiener filtering). Gần đõy, phương phỏp khử nhiễu phi tuyến được giới thiệu, đặc biệt là những phương phỏp trờn cơ sở Wavelet được phỏt triển mạng mẽ, đa dạng.
Một trong những nhà nghiờn cứu tiờn phong trong lĩnh vực khử nhiễu cơ sở Wavelet là Weaver và cỏc cộng sự của mỡnh, họ đó giới thiệu một phương phỏp mới khử nhiễu từ ảnh cộng hưởng từ MR (Magnetic Resonance) dựa trờn cơ sở mụ hỡnh được gọi là lấy ngưỡng cứng. Weaver đó chứng tỏ rằng sử dụng lấy ngưỡng Wavelet, cú thể được giảm đỏng kể nhiễu mà khụng làm mờ hỡnh ảnh. Trong khi Wiever và những nhà khoa học khỏc chứng minh ưu điểm của mụ hỡnh khử nhiễu Wavelet dựa trờn cỏc kết quả thực nghiệm, Donoho và Johnstone đó chứng minh cỏc kết quả lý thuyết quan trọng về lấy ngưỡng Wavelet. Donoho và Johnstone đó chứng minh sự co ngắn Wavelet (Wavelet Shrinkage) đem lại kết quả khử nhiễu tốt, đảm bảo tốc độ hội tụ tốt hơn, và đơn giản. Nhiều cụng
trỡnh nghiờn cứu đó được cụng bố trong lĩnh vực Wavelet Shrinkage, hầu hết tập trung vào mụ hỡnh thống kờ của cỏc hệ số Wavelet và sự lựa chọn tối ưu của cỏc ngưỡng.
Bờn cạnh lấy ngưỡng Wavelet, những phương phỏp khử nhiễu khỏc cũng được nghiờn cứu, như khử nhiễu cơ sở Wavelet sử dụng cõy Hidden Markov (Hidden Markov Trees), được khởi đầu bởi Crouse và thực sự thành cụng. Những mụ hỡnh khử nhiễu dựa trờn cơ sở HMT cố gắng mụ hỡnh hoỏ phần phụ thuộc giữa cỏc hệ số Wavelet kế tiếp sử dụng HMT, và sử dụng sai số bỡnh phương trung bỡnh nhỏ nhất MMSE (minimum mean-squared error) như là sự đỏnh giỏ cho khử nhiễu.
Cỏc cấu trỳc cõy (Tree Structures) cho cỏc hệ số Wavelet dựa trờn độ lớn của chỳng, tỷ lệ và sự định vị rải rỏc (spatial location) cũng đang được nghiờn cứu. Biến đổi thớch nghi dữ liệu như phõn tớch thành phần độc lập ICA (Independent Component Analysis) cũng được khảo sỏt. Xu hướng phỏt triển tiếp theo của lĩnh vực khử nhiễu tập trung vào sử dụng cỏc mụ hỡnh thống kờ để mụ hỡnh hoỏ cỏc đặc điểm thống kờ của cỏc hệ số Wavelet và lõn cận của nú. Xu hướng tương lai sẽ là tỡm kiếm cỏc mụ hỡnh thống kờ chớnh xỏc hơn cho phõn bố của cỏc hệ số Wavelet khụng trực giao.